| 摘要 | 第1-3页 |
| ABSTRACT | 第3-4页 |
| 目录 | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·本课题的研究背景 | 第7-9页 |
| ·本课题的意义 | 第9页 |
| ·本论文的研究内容 | 第9-10页 |
| ·本论文的组织结构 | 第10-11页 |
| 第二章 脑科学及脑电信号分析方法现状 | 第11-16页 |
| ·传统处理方法 | 第11-13页 |
| ·目测法 | 第11页 |
| ·时域分析法 | 第11-12页 |
| ·频域分析法 | 第12页 |
| ·空域分析法 | 第12-13页 |
| ·现代处理方法 | 第13-16页 |
| ·参数模型估计及谱参量分析 | 第13页 |
| ·高阶统计量分析 | 第13-14页 |
| ·维格纳分布 | 第14页 |
| ·小波变换 | 第14页 |
| ·人工神经网络分析(Artificial Neural Network) | 第14页 |
| ·非线性动力学应用 | 第14-15页 |
| ·混沌与分形方法(Chaos and Fractals) | 第15-16页 |
| 第三章 独立分量分析理论 | 第16-38页 |
| ·引言 | 第16页 |
| ·独立分量分析发展概况 | 第16-17页 |
| ·传统线性变换 | 第17-22页 |
| ·二阶方法 | 第17-20页 |
| ·高阶方法 | 第20-22页 |
| ·基本独立分量分析 | 第22-28页 |
| ·统计独立性 | 第22-23页 |
| ·线性ICA的定义 | 第23-24页 |
| ·ICA模型的可识别性 | 第24页 |
| ·与传统方法的关系 | 第24-25页 |
| ·ICA应用 | 第25-28页 |
| ·独立分量分析目标(对照)函数 | 第28-33页 |
| ·引言 | 第28页 |
| ·目标函数与算法 | 第28页 |
| ·多单元(Multi-unit)对照函数 | 第28-30页 |
| ·一个单元(One-unit)对照函数 | 第30-32页 |
| ·对照函数的统一概念 | 第32-33页 |
| ·独立分量分析算法 | 第33-37页 |
| ·引言 | 第33页 |
| ·数据预处理 | 第33页 |
| ·Jutten-Hérault算法 | 第33-34页 |
| ·非线性去相关算法 | 第34页 |
| ·最大似然或信息最大估计算法 | 第34页 |
| ·非线性PCA算法 | 第34-35页 |
| ·神经单个单元学习准则 | 第35页 |
| ·其它神经(自适应)算法 | 第35页 |
| ·快速ICA(FICA)算法 | 第35-37页 |
| ·基于张量算法 | 第37页 |
| ·加权协方差法 | 第37页 |
| ·算法选取 | 第37页 |
| ·本章小结 | 第37-38页 |
| 第四章 诱发电位提取技术研究进展 | 第38-40页 |
| ·引言 | 第38页 |
| ·诱发电位传统提取方法 | 第38页 |
| ·叠加平均法 | 第38页 |
| ·滤波处理 | 第38页 |
| ·诱发电位单次提取方法 | 第38-39页 |
| ·基于小波变换的VEP单次提取算法 | 第38-39页 |
| ·基于中值滤波、自适应移动平均和自适应L滤波器的诱发电位单次提取方法 | 第39页 |
| ·基于自适应径向基函数神经网络的诱发电位单次提取方法 | 第39页 |
| ·奇异性检测 | 第39页 |
| ·本章小结 | 第39-40页 |
| 第五章 数字图像水印 | 第40-44页 |
| ·引言 | 第40页 |
| ·数字水印的分类及其算法分类 | 第40-41页 |
| ·数字水印的基本特征 | 第41页 |
| ·数字水印技术要求 | 第41页 |
| ·水印处理系统的基本问题及其算法 | 第41-43页 |
| ·水印生成 | 第42页 |
| ·水印嵌入 | 第42页 |
| ·水印检测 | 第42-43页 |
| ·水印攻击问题和相应对策 | 第43页 |
| ·本章小结 | 第43-44页 |
| 第六章 试验结果与分析 | 第44-56页 |
| 试验一 比较JADER与FICA算法试验仿真 | 第44页 |
| 试验二 EEG/VEP处理 | 第44-49页 |
| 试验三 数字图像水印处理 | 第49-56页 |
| 第七章 结语 | 第56-57页 |
| ·本论文工作的主要成果 | 第56页 |
| ·对本文工作的进一步展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62页 |
