獨(dú)立分量分析的原理與應(yīng)用

第1章 緒論
　附錄a　有關(guān)獨(dú)立分量分析的若干專著
　參考文獻(xiàn)
第2章 預(yù)備知識(shí)
　2.1　概述
　2.2　概率與統(tǒng)計(jì)特征
　　2.2.1　有關(guān)概率的復(fù)習(xí)
　　2.2.2　特征函數(shù)
　　2.2.3　高階統(tǒng)計(jì)量
　　2.2.4　聯(lián)合累計(jì)量的一些性質(zhì)
　2.3　有關(guān)信息論的基礎(chǔ)知識(shí)
　　2.3.1　熵
　　2.3.2　kullbackleibler散度
　　2.3.3　互信息
　　2.3.4　負(fù)熵
　2.4　信號(hào)通過(guò)線性系統(tǒng)前后有關(guān)信息特征的變化
　　2.4.1　問(wèn)題的提出
　　2.4.2　主要關(guān)系
　2.5　概率密度函數(shù)的級(jí)數(shù)展開
　附錄b　矢量梯度與矢量矩陣
　參考文獻(xiàn)
第3章 ica問(wèn)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(dú)立性判據(jù)
　　3.2.1　利用統(tǒng)計(jì)獨(dú)立性與互信息測(cè)度間的關(guān)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(jì)量作獨(dú)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(xiàn)
第4章 獨(dú)立分量分解的優(yōu)化算法(一)—— 批處理
　4.1　概述
　4.2　成對(duì)數(shù)據(jù)旋轉(zhuǎn)法(jacobi法)及極大峰度法(maxkurt法)
　　4.2.1?。莍vens旋轉(zhuǎn)
　　4.2.2　極大峰度法
　4.3　特征矩陣的聯(lián)合近似對(duì)角化法（jade法）
　　4.3.1　四維累計(jì)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(shí)（fobi）
　　4.4.2　混合法
　4.5　應(yīng)用舉例
　　4.5.1　把jade和sobi結(jié)合起來(lái)進(jìn)行ica
　　4.5.2　fobi算法及其變種
　附錄c　(44)式的推導(dǎo)
　參考文獻(xiàn)
第5章 獨(dú)立分量分解的優(yōu)化算法(二)—— 自適應(yīng)算法
　5.1　概述
　5.2　常規(guī)的隨機(jī)梯度法
　　5.2.1　球化陣的自適應(yīng)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(duì)梯度
　　5.3.1　自然梯度
　　5.3.2　相對(duì)梯度
　5.4　串行矩陣更新及其自適應(yīng)算法
　　5.4.1　串行矩陣更新及其特點(diǎn)
　　5.4.2　串行更新的自適應(yīng)算法
　5.5　擴(kuò)展的infomax法
　5.6　非線性pca的自適應(yīng)算法
　……
第6章 獨(dú)立分量的逐次提取——探查性投影追蹤(epp)
第7章 獨(dú)立信源經(jīng)卷積后的ic分解
第8章 信號(hào)的稀疏分量分析
第9章 獨(dú)立分量分析的應(yīng)用
后記　ica網(wǎng)絡(luò)資源概要
參考文獻(xiàn)