快速独立成分分析在化探数据处理中的应用.pdfVIP

第八届全国矿床会议论文集 快速独立成分分析在化探数据处理中的应用+ 余先川 邹伟方李根张婷 (北京师范大学信息科学与技术学院，北京100875) 摘要独立成分分析(IndependentComponentAnalysis)是一种试图将观测到的多维随机矩阵转换成为尽 可能统计独立的向量的统计分析方法。它已经广泛应用于盲源分离和特征提取等类问题。通过最大化负熵的一 个近似，我们介绍了几个新的对比函数，这些对比函数也可以通过最小化相互信息得到。最后，我们介绍了一 个简单的固定点算法，以在实际中最优化目标函数。对团结沟金矿外围化探数据实验结果表明，快速ICA在计 算速度和健壮性上都有很大的优点。 关键词独立成分分析；盲源分离；快速ICA 1引言 独立成分分析(IndependentComponent Analysis，ICA)(Aapo 离技术发展而来的多道信号处理方法，其基本含义是试图通过优化算法将多维数据分解成若干相互统计独 立的分量的方法，从而实现信号的增强和分析。近几年来，独立成分分析方法在实现数据挖掘和模式识别 的研究，逐渐成为信号处理中的一个热点问题，ICA现在被广泛的应用在生物医学信号处理、语音信号分 离、通信、错误诊断、特征提取、金融时间序列分析、数据挖掘、天文等现实问题。 2独立成分分析 s(￡)就代表了肘个独立的源信号t(t)。可以将这个向量的多变量P．正f写成边缘独立分布的乘积： M p(s)=ⅡP。(屯) (1) 如下： z(￡)=As(t) (2) A是一个N×M维的数值矩阵。ICA的目的就是找到相关信号Ⅳ的一个线性变换矩阵形使得输出尽可 能的独立： Ⅱ(t)=Wx(t)=WAs(t) (3) 向量u是源向量的一个估计。 对于线性混合或无混合模型都做了如下的假设： (1)感应器的数量应该大于或等于源的数目Ⅳ≥M； (2)每一时刻的源s(t)都是相互独立的； (3)最多只有一个源是高斯分布的； ·本文由国家自然科学基金项目和珠海市科学基金项目(P联合资助。 第一作者简介：余先川．男，1967年生，教授．主要从事空间数据挖掘，遥感图像处理、矿产预测等研究。 807· 第八届全国矿床会议论文集 (4)各信号到达感应器的时间差和感应器及其他的各类的噪声在模型中被忽略； 对于上述4个假设，假设1主要是为了使A是一个满秩的矩阵，假设2是ICA算法的基本要求，假设 3是由于高斯分布的线性组合依然是高斯分布而导致其无法分离的。对于无噪声的ICA模型的估计本身就 是一个很难的问题，因此为了得到更加令人满意的效果，目前所做的大部分模型都是无噪声型的。 因为s和A都是未知的，^的任何标量变化都可以被A矩阵的标量变化抵消。 z=；(}从SlOgi) (4) 所以，一般我们都固定独立成分的幅度。因为它们都是随机变量，所以我们假设其方差为1：E{s：}=1。 而且还存在一个符号的不确定性，即在任何独立成分前面添加一个负号也不会影响模型。另外，因为S和 A是未知的，我们也不能确定独立成分的顺序。 3 目标函数及其近似 3．1最大非高斯性(AapoHyv抽inen，1999b) 非高斯性是ICA估计中最重要的，可以说，如果没有非高斯性就无法进行ICA估计了。 中心极限定理说，在一定条件下，独立随机变量的和更趋近于高斯分布。也就是说，两个独立随机变 量