| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景与意义 | 第13页 |
| 1.2 发展历程与研究现状 | 第13-15页 |
| 1.2.1 独立成分分析 | 第13-15页 |
| 1.2.2 EEG信号处理 | 第15页 |
| 1.3 独立成分分析技术的应用 | 第15-16页 |
| 1.4 本文研究内容及结构安排 | 第16-17页 |
| 第二章 基于CCA的ICA算法 | 第17-31页 |
| 2.1 ICA的基本理论与方法 | 第17-24页 |
| 2.1.1 ICA的基本理论 | 第17-18页 |
| 2.1.2 ICA的基本方法 | 第18-24页 |
| 2.2 基于CCA的ICA算法 | 第24-29页 |
| 2.2.1 CCA方法简述 | 第24-25页 |
| 2.2.2 将CCA方法用于ICA | 第25-26页 |
| 2.2.3 基于CCA的自适应算法 | 第26-29页 |
| 2.2.4 基于CCA的预白化自适应算法 | 第29页 |
| 2.3 算法仿真 | 第29-30页 |
| 2.4 小结 | 第30-31页 |
| 第三章 基于CCA的自适应拟牛顿ICA算法 | 第31-45页 |
| 3.1 基于CCA的自适应拟牛顿算法 | 第32-34页 |
| 3.2 新的基于CCA的自适应拟牛顿算法 | 第34-40页 |
| 3.2.1 新的代价函数 | 第34-36页 |
| 3.2.2 拟牛顿算法 | 第36-38页 |
| 3.2.3 收敛性分析 | 第38-40页 |
| 3.3 下降过程 | 第40-41页 |
| 3.4 算法仿真 | 第41-44页 |
| 3.5 小结 | 第44-45页 |
| 第四章 基于CCA的ICA算法在EEG信号处理中的应用 | 第45-53页 |
| 4.1 基于ICA的脑电信号的分离与伪迹的去除 | 第46-47页 |
| 4.1.1 基于ICA模型的有效性 | 第46页 |
| 4.1.2 伪迹鉴别 | 第46-47页 |
| 4.1.3 基于CCA的拟牛顿算法的应用 | 第47页 |
| 4.2 实验结果 | 第47-52页 |
| 4.3 小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 本文工作总结 | 第53页 |
| 5.2 独立成分分析的工作展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-61页 |
| 作者简介 | 第61-62页 |