獨立分量分析的原理與應用

第1章 緒論
　附錄a　有關獨立分量分析的若干專著
　參考文獻
第2章 預備知識
　2.1　概述
　2.2　概率與統(tǒng)計特征
　　2.2.1　有關概率的復習
　　2.2.2　特征函數(shù)
　　2.2.3　高階統(tǒng)計量
　　2.2.4　聯(lián)合累計量的一些性質
　2.3　有關信息論的基礎知識
　　2.3.1　熵
　　2.3.2　kullbackleibler散度
　　2.3.3　互信息
　　2.3.4　負熵
　2.4　信號通過線性系統(tǒng)前后有關信息特征的變化
　　2.4.1　問題的提出
　　2.4.2　主要關系
　2.5　概率密度函數(shù)的級數(shù)展開
　附錄b　矢量梯度與矢量矩陣
　參考文獻
第3章 ica問題的一般提法與優(yōu)化判據(jù)
　3.1　概述
　3.2　從信息論框架下介紹各種獨立性判據(jù)
　　3.2.1　利用統(tǒng)計獨立性與互信息測度間的關系
　　3.2.2　信息極大化判據(jù)
　　3.2.3　極大似然判據(jù)
　　3.2.4　直接用高階統(tǒng)計量作獨立性判據(jù)
　3.3　判據(jù)的近似逼近
　3.4　非線性主分量分解
　　3.4.1　主分量分解與球化
　　3.4.2　非線性主分量分析
　參考文獻
第4章 獨立分量分解的優(yōu)化算法(一)—— 批處理
　4.1　概述
　4.2　成對數(shù)據(jù)旋轉法(jacobi法)及極大峰度法(maxkurt法)
　　4.2.1?。莍vens旋轉
　　4.2.2　極大峰度法
　4.3　特征矩陣的聯(lián)合近似對角化法（jade法）
　　4.3.1　四維累計量矩陣及其特征分解
　　4.3.2　jade法
　4.4　一些其他的批處理算法
　　4.4.1　四階盲辨識（fobi）
　　4.4.2　混合法
　4.5　應用舉例
　　4.5.1　把jade和sobi結合起來進行ica
　　4.5.2　fobi算法及其變種
　附錄c　(44)式的推導
　參考文獻
第5章 獨立分量分解的優(yōu)化算法(二)—— 自適應算法
　5.1　概述
　5.2　常規(guī)的隨機梯度法
　　5.2.1　球化陣的自適應算法
　　5.2.2　信息極大(infomax)法（最大熵法）
　　5.2.3　互信息極小(mmi)法
　5.3　自然梯度與相對梯度
　　5.3.1　自然梯度
　　5.3.2　相對梯度
　5.4　串行矩陣更新及其自適應算法
　　5.4.1　串行矩陣更新及其特點
　　5.4.2　串行更新的自適應算法
　5.5　擴展的infomax法
　5.6　非線性pca的自適應算法
　……
第6章 獨立分量的逐次提取——探查性投影追蹤(epp)
第7章 獨立信源經(jīng)卷積后的ic分解
第8章 信號的稀疏分量分析
第9章 獨立分量分析的應用
后記　ica網(wǎng)絡資源概要
參考文獻