独立分量分析法 - 360文档中心

独立分量分析方法及其比较

i =1
n
其中 H ( x) 为熵，定义为： H ( x) = − ∫ p( x)log p ( x)dx 。由此，可以建立基于互信息的目标函数： J MI ( B) = H ( x)− | det B | −∑ ∫ p( yi )log p( yi )dyi ，（11）
i =1 n
kurt(y)可定义为：
22
化算法，如（随机）梯度算法和牛顿方法。 2.1 极大化非高斯性的 ICA 估计方法 “非高斯性意味着独立”[1]。非高斯性一般用峭度和负熵来度量。峭度是随机变量的四阶累积量的另一种叫法。y 的峭度
[2]
I ( y ) = H ( x) − log | det B | −∑ ∫ p( yi )log p( yi )dyi ，（10）
ML 估计会得到完全错误的结果。分的先验知识是不正确的，
T
我们比较 ML 估计的自然梯度算法式和非线性去相关算法式，即：
∆ B ∝ ( I + E { g ( y ) y T }) B （ML 估计的自然梯度算法）和
∆ B = µ [ Λ − f ( y ) g ( y )] B （非线性去相关算法）
x(t ) = As (t ) = B −1s (t ) 。
非线性 PCA 算法可以从常规的 PCA 算法引入合适的非线性函数直接得到。在常规的 PCA 算法的目标函数中引入非线性得到非线性 PCA 的目标函数，即： wi = arg max E{ f (W T X )2} ，
||W || =1
勤（1958-），男，教授，主要研究方向为现
R 为独立的源信号向量，即 s 的概率密度函数（ pdf ）
p(s) = ∏ pi (si ) , pi (⋅) 为边缘 pdf；n∈ R 为噪声向量，而 s,A,n

基于独立分量分析的一种改进的掌纹识别方法

别率得到提高，且缩短了识分量分析；ｉｅ线性鉴别掌独Ｆｓｒｈ中图分类号：Ｐ９Ｔ３１文献标识码：Ａ文章编号：１０ —１２２１）１０５－４０７７６（０００－１００
ｉ１＝
＝
（）１
要具有采样简单、图像分辨率低、包含信息大、主要
特征稳定且明显、取特征时不容易受到噪声的干提
∑ ∑ （ —＂（ —＂，（）ＸＸｉ）ｉ２）
扰、被窃取的可能性小等诸多优势．因此，纹同其掌
第２卷第１７期２１００年３月
广东工业大学学报
ＪｕｎｌｏａｇｏｇＵｎｖｒｉｆＴｅｈｏｏｙｏｒａｆＧｕｎｄｎｉｅｓｔｏｃｎｌｇｙ
Ｖ０．７Ｎｏ１２．１
Ｍａｃ０１ｒｈ２０
计算量大，类特征不明显．文在ＩＡ基础上提出一种改进的新方法，先用小波变换进行降维处理，得在保分本Ｃ首使
证了图像信息特征的最小损失下大大减少计算量；再用ＩＡ方法得到独立基向量；Ｃ最后在独立基向量张成的子空间用Ｆｓｅ线性鉴别（Ｌ方法进行特征提取，ｉｒｈＦＤ）使得图像有更好的分类信息．实验结果表明，改进后的方法不仅识
在上的投影ｌ即为，
Ｙ＝Ｗ．ｘ（）６
的识别方法之一．方法是在高维空间中找到一组其最佳低维鉴别特征，当样本在该鉴别矢量上投影使后，能得到最佳的分类信息．设图像样本共有Ｃ类即Ｗ，，，。每类有： … Ｗ，样本ｎ个，本是ｍ ×ｎ矩阵，样总训练样本数为 Ⅳ．Ｘ ∈Ｒ为第ｉ的第．ｄ维的样本．练样本图类个训

独立分量分析在脑电特征提取分析应用

收稿日期：２０１３ — ０６ — ２２
作者简介：王永飞（１９７１一），男，铜陵职业技术学院副教授，硕士，研究方向：智能信息处理。
・
３６・
ｓｉｓ，ＩＣＡ）
思想源于以非高斯性极大作为其目标．寻找投影向
量模为１的Ｗ，使得白化预处理后的ｘ在Ｗ上的投
影ｗｘ（单位方差）非高斯性最大。先提取一个独
立分量过程：先对观测信号进行白化预处理ｚ＝ｗｐｘ．
ＦａｓｔＩＣＡ是一种快速寻优迭代算法，收敛速度快，能同时从多路输人信号中分离出超高斯源和亚高斯源。在该算法分析中，假设数据已经经过了白化
预处理，白化处理是提高ＦａｓｔｌＣＡ算法效率的一种有效预处理手段。考虑到ＩＣＡ的假设条件，ＦａｓｔｌＣＡ算法的基本
电位（ＥＲＰ－Ｅｖｅｎｔ — ＲｅｌａｔｅｄＰ０ｔｅｎｔｉａｌｓ）。ＥＲＰ和许多认
知过程的密切相关的联系，使它成为了解认知的神经基础的最主要信息来源，这些认识过程包括各种心理活动和某些语言功能。ＥＲＰ是一种特殊的诱发
并初始化权值向量ｗ（Ｏ），计数变量初值设置为０；利
用ｗ ∽ Ｅ忸ｇ
— １）一冒 ’

独立分量分析方法在多用户检测中的应用

独立分量分析方法在多用户
检测中的应用
嵇建波ｈ葛仁华郑一周。
（，桂林航天工业高等专科学校；３桂棘电子科技大学广西桂林１２５１０）４０４
摘要论文研究直接序列扩频码分多址（ＳＣＭＡ通信系统中的盲信号分离问题，Ｄ－Ｄ）引入一种被称为独立分量
就是指在信号源和传输信道完全或部分未知的情况下，只大的计算负担，比较适合在数据处理能力低的下行链路中利用传感器或天线输出观测值来分离、提取源信号。盲信使用。
号分离已有很多算法，主要有三类：最大化法、线性其熵非主分量分析法、及独立分量分析法。独立分量分析是１信号模型］以Ｃｍｏｏｎ于１９提出的，的目的：９４年它为非高斯数据找到一首先我们考虑多径传输的异步Ｄ — ＣＭＡ下行链路ＳＤ种线性变换，得输出的分量之间是统计独立的或者尽可使信号模型。假设有一个用户数为Ｋ的小区，么接收端的那能的独立。独立分量分析方法，其结构简单、敛速度快因收等卓越的性能成为研究领域的热点它使信号经过白化之后，各分量之间尽可能的独立，而且具有相同的能量。当信号之间的独立性采用不同的准则测度时，可得到不同的算法。独立分量分析包括最大似然估计方法、小互信息方最法和高阶累积方法等，些算法都是通过利用分离后的信这号各个分量之间的撮大独立性来建立对比函数，而寻找从

改进的非负独立分量分析法

摘要：统的非负独立分量分析（Ａ）法假设源信号独立，过对观测信号预白化得刮ｚ再找到旋转矩阵ｗ，传ＩＣ算通，从而保证ｙ —Ｗ ×Ｚ为非负，不适用于源信号相关程度较大的情况。本文在深入分析传统算法的基础上对传统但算法进行了相应的改进，通过引入去相关矩阵，于即使相关程度较大的源信号也可以进行较好地分解。实验对结果证明，进后的算法简单有效。改关键词：立分量分析；负分解；关分析；源信号独非相
Ａｂｓｒｃ：ＦｏｒｔｎｅｅｅｏｕｃｔａｔｈｅｉｄｐｎｄｎｔｓｒｅＳ，ｔｏｎｖｎｔｏｎｌｎｎｅａｉｅｉｄｐｅｄｎｏｍｐｅｔｈｅｃｅｉａｏｎｇｔｖｎｅｎｅｔｃｏｎｎａａｌｉＩｎｙｓｓ（ＣＡ）ａｇｏｉｈｏｂａｎｂｙｐｒｗｈｉｉ，ａｄｆｎｄｏａｉｎｍａｒｘＷｏｅｓｒｈｔｌｒｔｍｔｉｓＺｅｔｎｇｎｉｓｒｔｔｏｔｉｔｎｕｅｔａ
近年来，立分量分析（ｎｅｅｄｎｏｏ独Ｉｄｐｎｅｔｃｍｐ —
未知混合矩阵；一（ｚ ”，．为观测到的信Ｘｚ，ｚ） Ⅳ
ｎｎｎｌｓ，Ａ）ｅｔａｙｉＩ方法及其应用逐渐成为信号处ａｓＣ
理领域的研究热点。谓ＩＡ，所Ｃ就是对一随机向量，寻找一种线性变换，得其分量尽可能相互独使

基于NSCT的独立分量分析方法

ｃｏｎｖｅｒｇｅｎｃｅｒａｔｅａｎｄｓｅｐａｒ ቤተ መጻሕፍቲ ባይዱ ｔｉｏｎａｃｃｕｒａｃｙ．
Ｋｅｙｗｏｒｄｓ：ＩＣＡ；ＮＳＣＴ；ＦａｓｔＩＣＡ；ｋｕｒｔｏｓｉｓ；ｐｅｆｒｏｒｍａｎｃｅｉｎｄｅｘ
（ＦａｃｕｌｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｉｒｎｇ，ＧｕａｎｇｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ５１０００６，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｓｅｐａｒａｔｉｏｎｐｅｆｒｏｒｍａｎｃｅｏｆｔｈｅｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＩＣＡ）ａｌｇｏｉｒｔｈｍ，ａｎｅｗ
ｍｅｔｈｏｄｂａｓｅｄｏｎｎｏｎｓｕｂｓａｍｐｌｅｄｃｏｎｔｏｕｒｌｅｔｔｒａｎｓｆｏｒｍ（ＮＳＣＴ）ｉｓｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒ．Ｆｉｒｓｔｌｙ，ｔｈｅｍｉｘｅｄｉｍａｇｅｓａｒｅｄｅｃｏｍｐｏｓｅｄ
它是从多维统计数据中找出隐含因子或分量的方法。目前ＩＣＡ算法的研究可分为基于信息论准则的迭代估计

脑图像数据中的独立分量分析方法

ｍｏｄｅｌｓｔｒｕｃｔｕｒｅｏｆＩＣＡａｎｄｔｈｅｔｈｒｅｅｃｏｍｍｏｎａｌｇｏｒｉｔｈｍｓｏｆｓｐａｔｉａｌＩＣＡａｒｅｄｅｅｐｌｙｒｅｓｅａｒｃｈｅｄ，ｉｎｃｌｕｄｉｎｇＩｎｆｏｍａｘａｌｇｏｒｉｔｈｍ，Ｆｉｘｅｄ — ＰｏｉｎｔａｌｇｏｒｉｔｈｍａｎｄＯｒｔｈ — Ｉｎｆｏｍａｘａｌｇｏｒｉｔｈｍ．Ｃｈｉｎｅｓｅｗｏｒｄｍｅａｎｉｎｇｄｉｆｅｒｅｎｔｉａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｉｓｄｅｓｉｇｎｅｄａｎｄａｎａｌｙｚｅｄｗｉｔｈｔｈｅｌｉｎｅａｒｃｏｒｒｅｌａｔｉｏｎｍｅｔｈｏｄ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｈａｔｔ，ｔｈｅｔｉｍｅｓｅｒｉｅｓｏｆＣＴＲｉｎｔｈｅＯｒｔｈ— Ｉｎｆｏｍａｘａｌｇｏｒｉｔｈｍｈａｓｈｅｔｍａｘｉｍｕｍａｖｅｒａｇｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｉｃｆｉｅｎｔｗｉｔｈｈｅｔｒｅｆｅｒｅｎｃｅｆｕｎｃｔｉｏｎ，ｃｏｍｐａｒｅｄｗｉｔｈＩｎｆｏｍａｘａｌｇｏｒｉｔｈｍａｎｄＦｉｘｅｄ — Ｐｏｉｎｔａｌｇｏｒｉｔｈｍ，ｗｈｉｃｈｈａｓｔｈｅｈｉｇｈｑｕａｌｉｔｙｏｆｔｈｅｓｏｌｕｔｉｏｎａｎｄｔｈｅｓｏｌｖｉｎｇｅｉｃｆｉｅｎｃｙａｎｄｃａｎｅｉｃｆｉｅｎｔｌｙｐｒｏｃｅｓｓｔｈｅｆＭＲＩｓｙｓｔｅｍｄａｔａ．

独立成分分析成PPT课件

独立成分分析成
探查性投影追踪
为了使近似性能较好，F(y)除了上述性质外，最好能有以下性质：
(1)、统计特性E[F(y)]不难求得 (2)、当y增大时，F(y)的增长速度不能快于 y 2 ，以使E[F(y)]
对野点不太敏感。
通常N取1或2。有以下函数形式可用：
F (1) ( y) :
1 log cosh ay a
信号源
观察信号
估计信号
s 1( t )
s 2(t)
混合
信道1
x 1(t)x 2Biblioteka t)解混y 1(t)
y 2(t)
信道2
s 3(t )
矩阵
x 3(t) 信道3
矩阵
y 3(t)
A
B
sM (t)
信道n
xM (t)
yM (t)
独立成分分析成
问题的提出：2、独立分量分析法的基本问题
信号的分离
独立成分分析成
|B|=1，即系统正交归一时，KL散度为0
独立成分分析成
预备知识：四、信号通过线性系统信息特征的变化
❖互信息关系：
N
N
I(y)I(x)logB H (yi) H (xi)
i 1
i 1
I(x ,y ) H (y ) H (yx ) H (x ) H (xy )
❖负熵关系：
J[p(y)]=J[p(x)]
p ( y ) 可用若干个非多项式函数 F(i)(y)(i1~N)的加权和来逼
近： N p(y)pG(y)[1 ciF(i)(y)] i1
F (i) ( y ) 需要满足以下条件：
(1)、正交归一性 (2)、矩消失性
p G (y )F (i)(y )F (j)(y )d yij p G (y )y k F (i)(y )d y 0 ,k 0 ,1 ,2