模式分类特征提取中的独立分量分析
| 中文摘要 | 第2-3页 |
| 英文摘要 | 第3页 |
| 目录 | 第5-7页 |
| 第1章 绪论 | 第7-14页 |
| 1.1 本论文的研究内容 | 第7页 |
| 1.2 模式分类概述 | 第7-9页 |
| 1.3 特征提取 | 第9-10页 |
| 1.4 传统的特征提取方法 | 第10-11页 |
| 1.4.1 主分量分析 | 第10页 |
| 1.4.2 奇异值分解 | 第10页 |
| 1.4.3 投影追踪 | 第10-11页 |
| 1.4.4 自组织映射 | 第11页 |
| 1.5 独立分量分析 | 第11-12页 |
| 1.5.1 独立分量分析简介 | 第11-12页 |
| 1.5.2 独立分量分析和主分量分析 | 第12页 |
| 1.6 本论文的组织 | 第12-14页 |
| 第2章 独立分量分析原理 | 第14-29页 |
| 2.1 引言 | 第14页 |
| 2.2 独立分量分析的定义 | 第14-17页 |
| 2.2.1 独立分量分析的线性模型 | 第14-16页 |
| 2.2.2 噪声ICA | 第16页 |
| 2.2.3 非线性ICA | 第16-17页 |
| 2.3 独立分量分析的发展简史 | 第17-18页 |
| 2.4 独立分量分析的相关数学知识 | 第18-26页 |
| 2.4.1 概率论知识 | 第18-19页 |
| 2.4.2 统计知识 | 第19-23页 |
| 2.4.3 信息论知识 | 第23-26页 |
| 2.5 独立分量分析独立性的度量 | 第26-28页 |
| 2.5.1 非高斯性极大 | 第26-27页 |
| 2.5.2 互信息最小 | 第27页 |
| 2.5.3 非线性不相关 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于信息论的独立分量分析算法 | 第29-38页 |
| 3.1 引言 | 第29页 |
| 3.2 数据的预处理 | 第29-30页 |
| 3.3 基于信息论的独立分量分析算法 | 第30-37页 |
| 3.3.1 FastICA 算法 | 第30-33页 |
| 3.3.2 Informax 算法 | 第33-36页 |
| 3.3.3 互信息最小算法 | 第36页 |
| 3.3.4 最大似然算法 | 第36-37页 |
| 3.4 独立分量分析算法的选择 | 第37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 独立分量分析在模式分类特征提取中的应用 | 第38-49页 |
| 4.1 数据说明及预处理 | 第38-41页 |
| 4.2 特征提取实验 | 第41-43页 |
| 4.3 分类器设计 | 第43-44页 |
| 4.3.1 优化帕赞分类器 | 第43页 |
| 4.3.2 K-近邻分类器 | 第43-44页 |
| 4.3.3 贝叶斯分类器 | 第44页 |
| 4.3.4 线性分类器 | 第44页 |
| 4.4 分类实验结果 | 第44-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 独立分量分析的优点 | 第49页 |
| 5.2 独立分量分析中存在的问题 | 第49-50页 |
| 5.3 下一步的工作 | 第50-51页 |
| 附:Matlab 程序代码 | 第51-54页 |
| 参考文献 | 第54-56页 |
