独立成分分析(Independent Component Analysis,ICA)是近年来发展起来的一种强有力的数据分析工具,它在各个领域都得到了广泛的应用。本文简要介绍了ICA的发展历程,详细地讨论了ICA最优化求解时的目标函数与算法,并结合两种变步长方案改进了ICA自适应算法,最后结合聚类分析将ICA应用于金融数据挖掘中。主要工作如下:1.提出基于一维搜索和基于等变化方案的ICA极大似然估计自适应算法。一维搜索又称线搜索,就是指单变量函数的最优化,是求解无约束非线性规划问题的基本方法之一。等变化方案是通过建立步长因子与分离矩阵相互差异之间的非线性关系来加速收敛速度,减小失调误差的一种方法。固定步长的ICA算法存在着天然的缺陷,即步长的大小只能保证算法的收敛性和稳定性这两方面之一达到人们预期的效果,而本文利用一维搜索和等变化方案改进了固定步长的ICA极大似然估计算法,使其克服了原有算法在自适应稳态阶段及突变环境下步长调整的不足,均达到了自适应的效果。仿真实验结果表明,这两种改进算法是可行且有效的。2.提出了基于ICA的时间序列聚类分析的方法。聚类是无指导学习的一种方法,其目的是通过辨识数据间的结构特征,使得数据在类内相似性最大,在类间相似性最小。本文首先通过层次算法优化初始聚类中心的选择,提出了一种改进的k-均值算法,然后将此改进的k-均值算法结合ICA中的不动点算法(FastICA),便得到了本中所提出的基于ICA的时间序列聚类分析的方法。最后将此方法应用到金融数据挖掘中,对40支股票进行聚类,并分析了隐藏在股票数据背后的影响股票市场走势的深层次原因。仿真实验结果表明,该方法可以很好的解决金融时间序列中的冗余问题并很好的反应了金融市场的一些重要特征。