（1）采用加权正交约束去掉了已有独立分量回归中独立分量分析中的预白化步骤，利用非白化的原始数据进行独立分量回归分析，避免了白化过程产生的误差累积到独立分量分析结果中，进而累积到回归预测过程，提高了预测精度。

（2）同时考虑了独立分量的统计独立性和独立分量与因变量之间的密切相关性，利用集成学习的思想解决了非二次函数的选取问题, 进一步提高了预测精度。

研究目的：

本文主要解决了已有独立分量回归方法回归精度不够理想和独立分量分析阶段非二次函数的选取问题。已有独立分量回归方法基于白化数据，而实际中的数据往往是非白化的，这样就需要对数据进行预先白化处理，而白化处理过程会不可避免的产生误差，误差的后向传播会降低最终的回归精度。其次，独立成分之间相互独立，但不一定和因变量高度相关，也就不能很好的解释因变量。最后，如何在提取能够充分解释因变量的独立分量的同时有效结合集成学习思想解决非二次函数选择问题。

研究方法：

利用对分离矩阵或抽取向量的加权正交约束，替换掉原独立分量回归方法中独立分量分析阶段的数据预白化步骤，结合使用因变量和独立成分之间的相关性度量和独立成分的独立性度量两个目标函数，提出了改进的独立分量回归方法。涉及到的方法主要有加权正交约束、约束优化方法、基于牛顿迭代FastICA算法、集成学习思想。其次，将改进的独立分量回归模型分别应用于三个来自不同领域的实例，利用MATLAB软件进行仿真，验证了改进的独立分量回归算法避免了由预白化产生的误差累积，提高了独立分量对因变量解释能力，进而提高了模型的预测精度和整体预测性能。

结果：

本文成功利用加权正交约束代替预白化过程，基于非白化的原始数据进行了独立分量回归分析，在这过程中，有效利用了双目标代价函数和集成学习思想，推导出了改进的独立分量回归模型。在三个不同的实例中，分别试验验证了改进的独立分量回归模型。通过图形直观显示了改进模型与其他模型的预测结果，用表格整理了相应的实验数据。结果表明，改进模型的预测性能明显优于其他回归模型。

结论：

利用改进的独立分量回归方法，避免了误差累积，还可以提取出对因变量贡献最大的独立分量，将其用于回归分析，不但简化了回归模型，而且提高了模型的预测精度。三组不同领域的实例数据的回归实验仿真结果验证了改进的独立分量回归方法比现有的其他回归方法有更小的预测误差和良好的预测性能。

关键词：

独立分量分析；加权正交约束；独立分量回归；预白化