独立组分分析算法综述和其在药物分析中的具体应用价值.docVIP

独立组分分析算法综述和其在药物分析中的具体应用价值 　　【摘要】 目的 研究分析独立组分分析算法以及其在药物分析中的价值。方法 简要介绍独立组分分析算法的定义、原理和算法，探讨其在药物分析中的价值。结果 独立组分分析算法的十种计算形成各具特色，在生物药学的分析中颇具价值。结论 掌握独立组分分析算法并架起运用于生物药学的分析中能够为生物药学的检测、研究、发展提供有效的支撑。 　　【关键词】 独立组分分析算法；综述；药物分析；基本原理；应用价值 　　doi：10.3969/j.issn.1004-7484（s）.2013.08.603 文章编号：1004-7484（2013）-08-4606-01 　　独立组分分析源于上世纪90年代，是一种能够解决盲源信号分离的有效处理防范，其分析目的是将混合信号分解成相互独立的成分，并强调分解出的分量相互统计独立。近年来，独立组分分析算法在药物分析中得到广泛的应用，在各类数据的解析中发挥重要价值。本文针对独立组分分析算法以及其在药物分析中的价值进行探究，现报告如下。 　　1 独立组分分析算法的定义和原理 　　独立组分分析是利用统计原理作分析计算的方式，属于线性变换，变换中将数据、信号等分离成统计独立的信号源线性组合。独立组分分析属于盲信号分离中的一种。其分析的目的是在未知混合矩阵和源信号的条件下，利用源信号间做统计独立的假设，找寻线性变换矩阵对X作变换，进而得到n维输出向量，并使之能够尽量的逼近源信号[1]。目标函数的选择关系独立组分分析算法的稳健性，然而算法的收敛速度和内存占用情况等则依赖于优化。 　　2 独立组分分析算法的十种算法 　　2.1 FastlCA算法 该种方法又称为度定点算法，主要特点为收敛快、分离好，在信号处理中应用观法，适用于任何类型的数据，并使高维数据的分析成为可能。该种算法与常规的神经网络计算方式不同，其采用批量的处理方式，在每一个步骤的迭代中都具有大量的数据能够参与到运算中来。但从分布样式和处理方式的角度看该算法仍属于神经网络算法。同时FastlCA算法具有基于最大似然、基于四阶累积量、基于基于最大负熵[2]等形式，并采用固定点迭代的优化计算方法，加快收敛速度，促进稳健性。 　　2.2 EFICA算法 EFICA算法实现了经过有限样本得到较高计算精度，在独立组分信号属于GGDP情况中比较实用，对残差方差的检测精度在Cramer―Rao[3]的下界，经过MATLAB计算机语言来实现复杂的计算，该种短发较之非参数需该的ICA及JADE算法在仿真当面更具优越性。 　　2.3 SNICA算法 该种算法与负条件中产生信号最小值问题有机结合起来，将利用主成分分析算法的必要性，同时找到了有效解决相关组分分析的方法。该种算法是在对峰值接近0，在非负信号的强度分布函数最佳值的基础上发展起来的。 　　2.4 MILCA算法 这种算法是在互信息基础上提出的，在光谱分析的应用中较为广泛。该种算法使从多组分线性混合物中提取单组分纯光谱及含量信息成为可能，经最相邻领域的算法和准确的数值固段互信息值，同时不需对纯信号源的独立分布做任何假设。经研究分析，经二阶导数来进行的线型滤波可以显著的降低重叠光谱波段导致的相关性，有助于纯光谱的分解，在计算中联合最小二乘法可达到甚至是超于专业的化学计量学计算方法。 　　2.5 JADE算法 这种算法是在基于累积矩阵的联合对角化基础上发展而来的离线计算方式，最主要的特点表现为现成的应用。其缺点主要是数据的来源会受到实际的显示，由运算的计算机配置决定。这种算法最初用于处理复杂的信号，例如数字通信。近年来，经过调整和发展能够有效的运用于实测数据的处理，如脑电图、心电图等生物医学信号等。 　　2.6 RADICAL算法 该种算法发展演变基于高效的熵估计，更具准确、文件和直接性。该种算法与许多计算方式相同，是依据估计的联合分布以及边缘分布结果之间的距离，可尽最大可能的实现独立成分的直接分离，较之基于高效的熵估计，改算法的收敛速度更快，与其他计算方式比较更具直观、简单的特点，计算效率高，但是对于异常值的估计不十分敏感。 　　2.7 Kernel―ICA算法 该种算法对比函数能够衡量组建的统计关系，是ICA的一个重要环节。传统ICA算法均以单一、固定的非线性期望函数作为对比函数，而这种计算方法是在再生和希尔伯特空间中，采用满足条件的核函数来替代两个向量之间的内积运算实现变换的，所以无需构造非线性变换的形式。 　　2.8 Linearand NonlinearICA算法 在信号系统属于线性系统时，采用盲源分离方式较好。但是，通常实际的信号系统大部分属于非线性系统，经线性模型得到的盲源分离较差。多层感知器是当前应邀浇灌的神经网络结构。Linea