第1章 緒論
附錄A　有關獨立分量分析的若乾專著
參考文獻
第2章 預備知識
2.1　概述
2.2　概率與統計特徵
2.2.1　有關概率的復習
2.2.2　特徵函數
2.2.3　高階統計量
2.2.4　聯閤纍計量的一些性質
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　信號通過綫性係統前後有關信息特徵的變化
2.4.1　問題的提齣
2.4.2　主要關係
2.5　概率密度函數的級數展開
附錄B　矢量梯度與矢量矩陣
參考文獻
第3章 ICA問題的一般提法與優化判據
3.1　概述
3.2　從信息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　非綫性主分量分解
3.4.1　主分量分解與球化
3.4.2　非綫性主分量分析
參考文獻
第4章 獨立分量分解的優化算法(一)—— 批處理
4.1　概述
4.2　成對數據鏇轉法(Jacobi法)及極大峰度法(Maxkurt法)
4.2.1　Ｇivens鏇轉
4.2.2　極大峰度法
4.3　特徵矩陣的聯閤近似對角化法（JADE法）
4.3.1　四維纍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　混閤法
4.5　應用舉例
4.5.1　把JADE和SOBI結閤起來進行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　非綫性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 獨立信源經捲積後的IC分解
第8章 信號的稀疏分量分析
第9章 獨立分量分析的應用
後記　ICA網絡資源概要
參考文獻
· · · · · · (收起)