| 摘 要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 图的因子理论的概述 | 第9-12页 |
| ·研究意义 | 第9-10页 |
| ·图的因子理论的基本概念及主要工作 | 第10-12页 |
| 第二章 二部图与(g,f)-k-覆盖图(k=2,3) | 第12-18页 |
| ·引言 | 第12页 |
| ·二部图与(g, f)-2 - 覆盖图的主要结果及证明 | 第12-15页 |
| ·二部图与(g, f)-3 - 覆盖图的主要结果及证明 | 第15-17页 |
| ·问题与猜想 | 第17-18页 |
| 第三章 二部图与(g,f)-3-消去图 | 第18-21页 |
| ·引言 | 第18页 |
| ·主要结果及证明 | 第18-20页 |
| ·问题与猜想 | 第20-21页 |
| 第四章 独立成分分析的基本理论及算法 | 第21-41页 |
| ·引言 | 第21页 |
| ·统计分析理论 | 第21-24页 |
| ·随机变量的低阶统计特性分析 | 第21-23页 |
| ·随机变量的高阶统计特性分析 | 第23-24页 |
| ·信息熵理论 | 第24-26页 |
| ·信息熵 | 第24-25页 |
| ·互信息 | 第25页 |
| ·最大熵定理 | 第25-26页 |
| ·主成分分析(PCA) | 第26-28页 |
| ·PCA 基本概念 | 第26-28页 |
| ·特征值分解算法 | 第28页 |
| ·PCA 方法的缺点 | 第28页 |
| ·ICA 的基本理论 | 第28-30页 |
| ·ICA 问题描述 | 第28-29页 |
| ·ICA 的限定条件 | 第29-30页 |
| ·ICA 的算法原理 | 第30-41页 |
| ·ICA 的目标函数 | 第30-33页 |
| ·基于峭度的目标函数 | 第30-31页 |
| ·基于负熵及近似负熵的目标函数 | 第31-32页 |
| ·基于互信息的目标函数 | 第32-33页 |
| ·ICA 的优化算法 | 第33-41页 |
| ·FastICA 算法 | 第33-35页 |
| ·Infomax 算法 | 第35-37页 |
| ·Extended Infomax 算法 | 第37-39页 |
| ·自适应 ICA 算法 | 第39-41页 |
| 第五章 联合 ICA、SPM 与 PCA 算法及其应用 | 第41-49页 |
| ·引言 | 第41-43页 |
| ·联合 ICA、SPM 与 PCA 算法 | 第43-45页 |
| ·广义线性模型 | 第43页 |
| ·时间独立成分分析(tICA) | 第43-44页 |
| ·联合 ICA、SPM 与 PCA 算法 | 第44-45页 |
| ·联合 ICA、SPM 与 PCA 算法的应用 | 第45-47页 |
| ·数据的获得 | 第45页 |
| ·两个癫痫病人的结果 | 第45-47页 |
| ·结论和讨论 | 第47-49页 |
| 第六章 结论 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 攻硕期间取得的研究成果 | 第56页 |
