独立成分的分析(ICA)_深圳大学.pptVIP

Independent component analysis ICA简介 ICA是20世纪90年代提出的，起初是神经网络的研究中有一个重要的问题，独立成分分析是一个解决问题的新方法。在许多应用方面，包括特征识别、信号分离。这种方法是用一种解线性方程组的方式的估计方式求解信号源。 声音提取： 典型例子：“鸡尾酒会”的问题。 人的大脑可以很快辨出或集中听某种需要关注声音。 1.独立成分被假定是统计独立的 2.独立成分具有非高斯的分布 如果观测到的变量具有高斯分布，那么ICA在本质上 是不可能实现的。 原因：因为独立成分联合分布是高斯的，那么他们的联合概率密度为： P(s1,s2) =1/2π*exp[-(s12+s22)/2] = 1/2π*exp（-||s||2/2） 假定S经过混合矩阵A后，他们的联合概率密度仍然不变化，因此我们没有办法在混合中的得到混合矩阵的信息。 3. 假定混合矩阵是方阵 换句话说，就是独立成分的个数与观测到的混合量个数相同。 3、数学基础 牛顿迭代法 熵 负熵 等于 * 独立成分分析（ICA） 独立成分分析（ICA） 假想一下，在一个房 间里的不同位置放着两个麦克风，同时有两个人说话。两个麦克风能同时记录下两个时间