獨立成分分析 下載 mobi epub pdf 電子書 2025

簡體網頁||繁體網頁

☆☆☆☆☆

Aapo Hyvä rinen（阿波.海韋裏恩），Juha Karhunen（尤哈.卡爾鬍恩），Erkki Oja（埃爾基.奧亞） 著，周宗潭 譯

齣版社： 電子工業齣版社

ISBN：9787121229817

版次：1

商品編碼：11467067

包裝：平裝

叢書名： 生命科學與信息技術叢書

開本：16開

齣版時間：2014-05-01

用紙：膠版紙

頁數：452

正文語種：中文

內容簡介

獨立成分分析(ICA)已經成為神經網絡、 高級統計學和信號處理等研究領域中的重要方嚮之一。本書是國際上一本ICA的綜閤性著作，其中包括理解和使用該技術的相應數學基礎知識。本書不僅介紹ICA的基本知識與概況，給齣瞭重要的求解過程及算法，還涵蓋瞭圖像處理、 無綫通信、 音頻信號處理及更多其他應用。全書分四個部分共24章，第一部分介紹本書所用到的主要數學知識，第二部分是本書的重點，詳細講述瞭基本ICA模型及其求解過程，第三部分討論基本ICA模型的多種擴展形式，第四部分討論ICA方法在不同領域的應用。

作者簡介

Aapo Hyv＆auml;inen：博士，芬蘭科學院高級會員，目前在芬蘭赫爾辛基技術大學神經網絡研究中心工作。 Juha Karhunen 和 Erkki Oja 均為芬蘭赫爾辛基技術大學神經網絡研究中心教授。

目錄

第1章 引論
1．1 多元數據的綫性錶示
1．2 盲源分離
1．3 獨立成分分析
1．4 ICA的曆史
第一部分 數學預備知識
第2章 隨機嚮量和獨立性
2．1 概率分布和概率密度
2．2 期望和矩
2．3 不相關性和獨立性
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 高階統計量
2．8 隨機過程
2．9 小結與文獻引述
習題
計算機練習
第3章 梯度和最優化方法
3．1 嚮量和矩陣梯度
3．2 無約束優化和學習規則
3．3 約束優化的學習規則
3．4 小結與文獻引述
習題
計算機練習
第4章 估計理論
4．1 基本概念
4．2 估計器的性質
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 小結與文獻引述
習題
計算機練習
第5章 信息論
5．1 熵
5．2 互信息
5．3 極大熵
5．4 負熵
5．5 通過纍積量逼近熵
5．6 用非多項式函數近似熵
5．7 小結與文獻引述
習題
計算機練習
本章附錄：有關證明
第6章 主成分分析和白化
6．1 主成分
6．2 在綫學習的PCA
6．3 因子分析
6．4 白化
6．5 正交化
6．6 小結與文獻引述
習題
第二部分 獨立成分分析基本模型
第7章 什麼是獨立成分分析
7．1 動機
7．2 獨立成分分析的定義
7．3 ICA的實例
7．4 ICA比白化更加強大
7．5 高斯變量為何不能適用
7．6 小結與文獻引述
習題
計算機練習
第8章 極大化非高斯性的ICA估計方法
8．1 非高斯就是獨立的
8．2 用峭度來度量非高斯性
8．3 用負熵度量非高斯性
8．4 估計多個獨立成分
8．5 ICA與投影尋蹤
8．6 小結與文獻引述
習題
計算機練習
本章附錄：有關證明
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 小結與文獻引述
習題
計算機練習
本章附錄：有關證明
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 小結與文獻引述
習題
計算機練習
第11章 基於張量的ICA估計方法
11．1 纍積張量的定義
11．2 由張量特徵值得到獨立成分
11．3 用冪法計算張量分解
11．4 特徵矩陣的聯閤近似對角化
11．5 加權相關矩陣方法
11．6 小結與文獻引述
習題
計算機練習
第12章 基於非綫性去相關和非綫性PCA的ICA估計方法
12．1 非綫性相關和獨立性
12．2 Hérault?Jutten算法
12．3 Cichocki?Unbenauen算法
12．4 估計函數方法
12．5 通過獨立性的等變自適應分離
12．6 非綫性主成分
12．7 非綫性PCA指標和ICA
12．8 非綫性PCA指標的學習規則
12．9 小結與文獻引述
習題
第13章 實際的考慮
13．1 時間濾波作為預處理
13．2 用PCA進行預處理
13．3 應該估計多少個成分
13．4 算法選擇
13．5 小結與文獻引述
習題
計算機練習
第14章 基本ICA方法的綜述和比較
14．1 目標函數和算法
14．2 ICA估計原理的聯係
14．3 統計最優非綫性函數
14．4 ICA算法的實驗比較
14．5 參考文獻
14．6 基本ICA方法小結
本章附錄：有關證明

第三部分 ICA的擴展及其相關方法
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 噪聲成分數目較少的情況
15．4 混閤矩陣的估計
15．5 估計無噪聲的獨立成分
15．6 通過稀疏編碼收縮而去噪
15．7 小結
第16章 具有超完備基的ICA模型
16．1 獨立成分的估計
16．2 估計混閤矩陣
16．3 小結
第17章 非綫性ICA
17．1 非綫性ICA與BSS
17．2 後非綫性混閤的分離
17．3 采用自組織映射的非綫性BSS
17．4 非綫性BSS的一種生成拓撲映射方法
17．5 非綫性BSS的一種集成學習方法
17．6 其他方法
17．7 小結
第18章 使用時間結構的方法
18．1 通過自協方差實現分離
18．2 利用方差的非平穩性實現分離
18．3 統一的分離原理
18．4 小結
第19章 捲積性混閤和盲去捲積
19．1 盲去捲積
19．2 捲積性混閤的盲分離
19．3 小結
本章附錄：離散時間濾波器和z變換
第20章 ICA的其他擴展
20．1 混閤矩陣的先驗信息
20．2 放寬獨立性假設
20．3 復值數據的處理
20．4 小結
第四部分 ICA的應用
第21章 基於ICA的特徵提取
21．1 綫性錶示
21．2 ICA和稀疏編碼
21．3 從圖像中估計ICA的基嚮量
21．4 壓縮稀疏編碼用於圖像去噪
21．5 獨立子空間和拓撲ICA
21．6 與神經生理學的聯係
21．7 小結
第22章 ICA在腦成像中的應用
22．1 腦電圖和腦磁圖
22．2 EEG和MEG中的僞跡鑒彆
22．3 誘發磁場分析
22．4 ICA使用於其他的測量技術中
22．5 小結
第23章 無綫通信
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 捲積CDMA信號的盲分離
23．5 采用復值ICA改進多用戶檢測
23．6 小結與文獻引述
第24章 ICA的其他應用
24．1 金融方麵的應用
24．2 音頻分離
24．3 更多的應用領域
參考文獻
中英文術語對照

前言/序言

評分☆☆☆☆☆

書寫得挺好的，值得好好讀。

評分☆☆☆☆☆

挺好的……滿意

評分☆☆☆☆☆

。。。

評分☆☆☆☆☆

正版不錯，內容專業，很係統。

評分☆☆☆☆☆

430922198006240034

評分☆☆☆☆☆

寫的不錯，比較全麵，適閤入門的

評分☆☆☆☆☆

隻是內容很一般，雖然是權威所著

評分☆☆☆☆☆

這是關於獨立成分分析的一本很好的專著，很開拓視野

評分☆☆☆☆☆

隻是內容很一般，雖然是權威所著