獨(dú)立成分分析

第1章 引論
1.1 多元數(shù)據(jù)的線性表示
1.2 盲源分離
1.3 獨(dú)立成分分析
1.4 ICA的歷史
第一部分 數(shù)學(xué)預(yù)備知識
第2章 隨機(jī)向量和獨(dú)立性
2.1 概率分布和概率密度
2.2 期望和矩
2.3 不相關(guān)性和獨(dú)立性
2.4 條件密度和貝葉斯法則
2.5 多元高斯密度
2.6 變換的密度
2.7 高階統(tǒng)計量
2.8 隨機(jī)過程*
2.9 小結(jié)與文獻(xiàn)引述
習(xí)題
計算機(jī)練習(xí)
第3章 梯度和最優(yōu)化方法
3.1 向量和矩陣梯度
3.2 無約束優(yōu)化和學(xué)習(xí)規(guī)則
3.3 約束優(yōu)化的學(xué)習(xí)規(guī)則
3.4 小結(jié)與文獻(xiàn)引述
習(xí)題
計算機(jī)練習(xí)
第4章 估計理論
4.1 基本概念
4.2 估計器的性質(zhì)
4.3 矩方法
4.4 最小二乘估計
4.5 極大似然法
4.6 貝葉斯估計*
4.7 小結(jié)與文獻(xiàn)引述
習(xí)題
計算機(jī)練習(xí)
第5章 信息論
5.1 熵
5.2 互信息
5.3 極大熵
5.4 負(fù)熵
5.5 通過累積量逼近熵
5.6 用非多項式函數(shù)近似熵
5.7 小結(jié)與文獻(xiàn)引述
習(xí)題
計算機(jī)練習(xí)
本章附錄:有關(guān)證明
第6章 主成分分析和白化
6.1 主成分
6.2 在線學(xué)習(xí)的PCA
6.3 因子分析
6.4 白化
6.5 正交化
6.6 小結(jié)與文獻(xiàn)引述
習(xí)題
第二部分 獨(dú)立成分分析基本模型
第7章 什么是獨(dú)立成分分析

7.1 動機(jī)
7.2 獨(dú)立成分分析的定義
7.3 ICA的實例
7.4 ICA比白化更加強(qiáng)大
7.5 高斯變量為何不能適用
7.6 小結(jié)與文獻(xiàn)引述
習(xí)題
計算機(jī)練習(xí)
第8章 極大化非高斯性的ICA估計方法
8.1 非高斯就是獨(dú)立的
8.2 用峭度來度量非高斯性
8.3 用負(fù)熵度量非高斯性
8.4 估計多個獨(dú)立成分
8.5 ICA與投影尋蹤
8.6 小結(jié)與文獻(xiàn)引述
習(xí)題
計算機(jī)練習(xí)
本章附錄:有關(guān)證明
第9章 ICA的極大似然估計方法
9.1 ICA模型中的似然度
9.2 極大似然估計算法
9.3 信息極大原理
9.4 例子
9.5 小結(jié)與文獻(xiàn)引述
習(xí)題
計算機(jī)練習(xí)
本章附錄:有關(guān)證明
第10章 極小化互信息的ICA估計方法
10.1 用互信息定義ICA
10.2 互信息和非高斯性
10.3 互信息和似然估計
10.4 極小化互信息的算法
10.5 例子
10.6 小結(jié)與文獻(xiàn)引述
習(xí)題
計算機(jī)練習(xí)
第11章 基于張量的ICA估計方法
11.1 累積張量的定義
11.2 由張量特征值得到獨(dú)立成分
11.3 用冪法計算張量分解
11.4 特征矩陣的聯(lián)合近似對角化
11.5 加權(quán)相關(guān)矩陣方法
11.6 小結(jié)與文獻(xiàn)引述
習(xí)題
計算機(jī)練習(xí)
第12章 基于非線性去相關(guān)和非線性PCA的ICA估計方法
12.1 非線性相關(guān)和獨(dú)立性
12.2 HéraultJutten算法
12.3 CichockiUnbenauen算法
12.4 估計函數(shù)方法*
12.5 通過獨(dú)立性的等變自適應(yīng)分離(EASI)
12.6 非線性主成分
12.7 非線性PCA指標(biāo)和ICA
12.8 非線性PCA指標(biāo)的學(xué)習(xí)規(guī)則
12.9 小結(jié)與文獻(xiàn)引述
習(xí)題
第13章 實際的考慮
13.1 時間濾波作為預(yù)處理
13.2 用PCA進(jìn)行預(yù)處理
13.3 應(yīng)該估計多少個成分
13.4 算法選擇
13.5 小結(jié)與文獻(xiàn)引述
習(xí)題
計算機(jī)練習(xí)
第14章 基本ICA方法的綜述和比較
14.1 目標(biāo)函數(shù)和算法
14.2 ICA估計原理的聯(lián)系
14.3 統(tǒng)計最優(yōu)非線性函數(shù)
14.4 ICA算法的實驗比較
14.5 參考文獻(xiàn)
14.6 基本ICA方法小結(jié)
本章附錄:有關(guān)證明
第三部分 ICA的擴(kuò)展及其相關(guān)方法
第15章 有噪聲的ICA模型
15.1 定義
15.2 傳感器噪聲和信號源噪聲
15.3 噪聲成分?jǐn)?shù)目較少的情況
15.4 混合矩陣的估計
15.5 估計無噪聲的獨(dú)立成分
15.6 通過稀疏編碼收縮而去噪
15.7 小結(jié)
第16章 具有超完備基的ICA模型
16.1 獨(dú)立成分的估計
16.2 估計混合矩陣
16.3 小結(jié)
第17章 非線性ICA
17.1 非線性ICA與BSS
17.2 后非線性混合的分離
17.3 采用自組織映射的非線性BSS
17.4 非線性BSS的一種生成拓?fù)溆成浞椒?
17.5 非線性BSS的一種集成學(xué)習(xí)方法
17.6 其他方法
17.7 小結(jié)
第18章 使用時間結(jié)構(gòu)的方法
18.1 通過自協(xié)方差實現(xiàn)分離
18.2 利用方差的非平穩(wěn)性實現(xiàn)分離
18.3 統(tǒng)一的分離原理
18.4 小結(jié)
第19章 卷積性混合和盲去卷積
19.1 盲去卷積
19.2 卷積性混合的盲分離
19.3 小結(jié)
本章附錄:離散時間濾波器和z變換
第20章 ICA的其他擴(kuò)展
20.1 混合矩陣的先驗信息
20.2 放寬獨(dú)立性假設(shè)
20.3 復(fù)值數(shù)據(jù)的處理
20.4 小結(jié)
第四部分 ICA的應(yīng)用
第21章 基于ICA的特征提取
21.1 線性表示
21.2 ICA和稀疏編碼
21.3 從圖像中估計ICA的基向量
21.4 壓縮稀疏編碼用于圖像去噪
21.5 獨(dú)立子空間和拓?fù)銲CA
21.6 與神經(jīng)生理學(xué)的聯(lián)系
21.7 小結(jié)
第22章 ICA在腦成像中的應(yīng)用
22.1 腦電圖和腦磁圖
22.2 EEG和MEG中的偽跡鑒別
22.3 誘發(fā)磁場分析
22.4 ICA使用于其他的測量技術(shù)中
22.5 小結(jié)
第23章 無線通信
23.1 多用戶檢測和CDMA通信
23.2 CDMA信號模型和ICA
23.3 衰落信道的估計
23.4 卷積CDMA信號的盲分離*
23.5 采用復(fù)值ICA改進(jìn)多用戶檢測*
23.6 小結(jié)與文獻(xiàn)引述
第24章 ICA的其他應(yīng)用
24.1 金融方面的應(yīng)用
24.2 音頻分離
24.3 更多的應(yīng)用領(lǐng)域
參考文獻(xiàn)
中英文術(shù)語對照