《獨立分量分析的原理與套用》是2006年清華大學出版社出版的圖書，作者是楊福生，洪波。
基本介紹
- 作者：楊福生 / 洪波
- ISBN：9787302118527
- 頁數：205
- 定價：28.00元
- 出版社：清華大學出版社
- 出版時間：2006-1-1
- 裝幀：簡裝本
內容介紹,作品目錄,
內容介紹
獨立分量分析是20世紀末發展起來的一類多通道信號分解方法，是信號處理技術發展中的一項前沿熱點。本書著重對其基本原理與工程套用進行較系統的介紹。全書共分9章，內容包括預備知識、最佳化判據、最佳化算法、卷積混合情況、稀疏分量分析及生物醫學工程領域內的套用等。最後還給出ICA網上資源的概要，以便讀者從網上了解ICA技術的新發展和動向。
本書在編寫中結合了作者多年研究生教學的經驗和科研組的一些研究成果，同時參閱了大量國內外期刊的研究報導。敘述中注意適應工程技術人員的認識與需要,力求從工程技術觀點，使用工程術語來闡述問題； 加強物理概念的說明,避免過於抽象，便於工程技術人員理解與自學，並加強與套用的結合。本書是一本導引性較強的基礎著作。
本書適於作為高等學校教師及研究生的參考教材，或供從事信號處理的科技工作者自學或進修選用。
作品目錄
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 機率與統計特徵
2.2.1 有關機率的複習
2.2.2 特徵函式
2.2.3 高階統計量
2.2.4 聯合累計量的一些性質
2.3 有關資訊理論的基礎知識
2.3.1 熵
2.3.2 KullbackLeibler散度
2.3.3 互信息
2.3.4 負熵
2.4 信號通過線性系統前後有關信息特徵的變化
2.4.1 問題的提出
2.4.2 主要關係
2.5 機率密度函式的級數展開
附錄B 矢量梯度與矢量矩陣
參考文獻
第3章 ICA問題的一般提法與最佳化判據
3.1 概述
3.2 從資訊理論框架下介紹各種獨立性判據
3.2.1 利用統計獨立性與互信息測度間的關係
3.2.2 信息極大化判據
3.2.3 極大似然判據
3.2.4 直接用高階統計量作獨立性判據
3.3 判據的近似逼近
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 獨立分量分解的最佳化算法(一)—— 批處理
4.1 概述
4.2 成對數據旋轉法(Jacobi法)及極大峰度法(Maxkurt法)
4.2.1 Givens旋轉
4.2.2 極大峰度法
4.3 特徵矩陣的聯合近似對角化法（JADE法）
4.3.1 四維累計量矩陣及其特徵分解
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 套用舉例
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 (44)式的推導
參考文獻
第5章 獨立分量分解的最佳化算法(二)—— 自適應算法
5.1 概述
5.2 常規的隨機梯度法
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 串列矩陣更新及其自適應算法
5.4.1 串列矩陣更新及其特點
5.4.2 串列更新的自適應算法
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 獨立信源經卷積後的IC分解
第8章 信號的稀疏分量分析
第9章 獨立分量分析的套用
後記 ICA網路資源概要
參考文獻
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 機率與統計特徵
2.2.1 有關機率的複習
2.2.2 特徵函式
2.2.3 高階統計量
2.2.4 聯合累計量的一些性質
2.3 有關資訊理論的基礎知識
2.3.1 熵
2.3.2 KullbackLeibler散度
2.3.3 互信息
2.3.4 負熵
2.4 信號通過線性系統前後有關信息特徵的變化
2.4.1 問題的提出
2.4.2 主要關係
2.5 機率密度函式的級數展開
附錄B 矢量梯度與矢量矩陣
參考文獻
第3章 ICA問題的一般提法與最佳化判據
3.1 概述
3.2 從資訊理論框架下介紹各種獨立性判據
3.2.1 利用統計獨立性與互信息測度間的關係
3.2.2 信息極大化判據
3.2.3 極大似然判據
3.2.4 直接用高階統計量作獨立性判據
3.3 判據的近似逼近
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 獨立分量分解的最佳化算法(一)—— 批處理
4.1 概述
4.2 成對數據旋轉法(Jacobi法)及極大峰度法(Maxkurt法)
4.2.1 Givens旋轉
4.2.2 極大峰度法
4.3 特徵矩陣的聯合近似對角化法（JADE法）
4.3.1 四維累計量矩陣及其特徵分解
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 套用舉例
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 (44)式的推導
參考文獻
第5章 獨立分量分解的最佳化算法(二)—— 自適應算法
5.1 概述
5.2 常規的隨機梯度法
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 串列矩陣更新及其自適應算法
5.4.1 串列矩陣更新及其特點
5.4.2 串列更新的自適應算法
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 獨立信源經卷積後的IC分解
第8章 信號的稀疏分量分析
第9章 獨立分量分析的套用
後記 ICA網路資源概要
參考文獻
