ICA算法.pptVIP

独立成份分析(ICA) 及脑功能磁共振成像(fMRI) 研究的主要方向 独立成份分析理论，算法和应用研究。 fMRI脑高分辩成像的技术研究。 fMRI图像配准技术的研究。 fMRI的血流动力学模型的研究。 fMRI数据处理方法研究，重点是ICA在fMRI的应用研究。 基于fMRI的脑功能定位技术及应用研究。 * * 1.ICA模型 X=As 设无噪声信号模型为 A 为信号混合矩阵, x是 N维观测信号向量, s是 M (NM) 维原始信号向量。 由（1）可见，信号S放大 k 倍与A的相应列缩小k倍的结果相同,从而决定了ICA得到的信号存在强度的不确定性。为此, 在求解时往往把观测信号先转化为有单位协方差的信号,即在ICA之前先有一个白化过程[2]。 设信号向量y的联合概率密度为p(y)，而每一个信号成分的概率密度为p(yi），则信号向量的互信息可以表示为： (2) 当各个信号成份相互独立时, 则 I(y)=0 。 (3) p(y)=∏Mi=1p(yi) ICA的目的是：在我们不知道混合矩阵的情况下,寻找线性映射w，从观测信号中提取不能被直接观测的原信号,　这里把它记为: y=wx=wAs （4）