独立分量分析及其在数据挖掘中的应用
| 中文摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-13页 |
| ·项目背景和意义 | 第9-11页 |
| ·问题的提出 | 第9-10页 |
| ·独立分量分析理论的发展概况和主要研究问题 | 第10-11页 |
| ·项目概述 | 第11-12页 |
| ·论文主要内容 | 第12-13页 |
| 第二章 数据挖掘与特征空间组合优化 | 第13-28页 |
| ·数据挖掘概述 | 第13-22页 |
| ·数据挖掘的定义 | 第13-14页 |
| ·数据挖掘的研究现状和发展趋势 | 第14-15页 |
| ·数据挖掘过程简介 | 第15-16页 |
| ·数据预处理 | 第16-17页 |
| ·数据挖掘功能 | 第17-19页 |
| ·数据挖掘的主要方法 | 第19-22页 |
| ·特征选择和组合优化 | 第22-28页 |
| ·特征优化的判据 | 第23-25页 |
| ·特征选择 | 第25-28页 |
| 第三章 独立分量分析 | 第28-52页 |
| ·综述 | 第28页 |
| ·统计分析理论 | 第28-31页 |
| ·随机变量的一、二阶统计特性分析 | 第28-30页 |
| ·随机变量高阶统计特性分析 | 第30-31页 |
| ·信息熵理论 | 第31-34页 |
| ·信息熵 | 第31-32页 |
| ·互信息 | 第32-33页 |
| ·KL 散度和负熵 | 第33-34页 |
| ·最大熵定理 | 第34页 |
| ·主分量分析(PCA) | 第34-37页 |
| ·主分量分析基本概念 | 第34-36页 |
| ·PCA 的算法 | 第36页 |
| ·PCA 方法的缺点 | 第36-37页 |
| ·独立分量分析(ICA) | 第37-52页 |
| ·ICA 的问题描述 | 第37-38页 |
| ·ICA 的若干限制条件 | 第38页 |
| ·ICA 的目标函数 | 第38-40页 |
| ·ICA 的优化算法 | 第40-52页 |
| ·梯度最速下降算法 | 第41页 |
| ·牛顿法 | 第41-42页 |
| ·相对梯度法(或自然梯度法)[17] | 第42-43页 |
| ·随机梯度下降算法 | 第43-45页 |
| ·具有限制条件的优化算法 | 第45-47页 |
| ·FastICA 算法 | 第47-52页 |
| 第四章 独立分量分析在数据挖掘中的应用 | 第52-71页 |
| ·引言 | 第52页 |
| ·数据挖掘系统概述 | 第52-59页 |
| ·科学数据挖掘系统概述 | 第52-54页 |
| ·系统框架 | 第54-58页 |
| ·系统功能说明 | 第58-59页 |
| ·ICA 在数据挖掘中的应用 | 第59-71页 |
| ·降维模块功能描述 | 第59-60页 |
| ·ICA 特征提取过程描述 | 第60-64页 |
| ·算法的实现 | 第64-71页 |
| 第五章 总结 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 个人简历 | 第76页 |
