独立分量分析 FastICA.pptVIP

独立分量分析 ——Fast-ICA Fast-ICA算法基于非高斯性最大化原理，使用固定点（Fixed-point）迭代理论寻找WTX的非高斯性最大值，该算法采用牛顿迭代算法对测量变量X的大量采样点进行批处理，每次从观测信号中分离出一个独立分量，是独立分量分析的一种快速算法。 独立分量分析（ICA Independent Component Analysis)是近年来由盲源分离技术发展来的一种新的多维信号处理方法，是信号处理技术发展中的一项前沿热点。 ICA的基本框图： 基本思路：将多维观察信号按照统计独立的原则建立目标函数，通过优化算法将观测信号分解为若干独立成分，从而帮助实现信号的增强和分析。 独立分量分析有多种算法，如基于代数结构的AMUSE,SOBI,JADE以及基于信息论的Fast-ICA和Info-max。 Fast-ICA的收敛速度快，且有一定的精度保证。 Fast-ICA算法能够更科学的去除元素组合之间的相关性，得到的元素组合比传统方法更具有说服力。 从处理技术上看，依据独立性分解势必涉及概论密度函数或高阶统计量，而处理过程常常要引入非线性环节。而地球化学数据从本质上将也是非线性的，所以应用该技术来对地球化学数据进行处理是合理的、可行的。从这一意义上看，Fast-ICA技术优越于常用的只建立在二阶统计量的线性处理技术。 ICA的目的是使输出信号 Y尽可能独立，而KL散度（或互信息）则是统计独立性的最佳测度。 由输出信号各分量间的互信息公式、中心极限定理可知： 在分离过程中，通过对分离结果的非高斯性度量来判定分离结果间的相互独立性。当非高斯性度量达到最大时，表明已经完成对各个独立分量的分离。 负熵定义为 由信息论得寻求负熵最大化的方向就是求解非高斯性最大化分量。由于无法知道f(y)，实践中，负熵近似为 其中，ki是正的常量；v是标准的高斯随机变量，函数G是非二次型函数，较好地选择G可以得到稳健的估计器。通常情况下，G的形式为 其中， Fast-ICA反演化探数据元素组合模型 为使负熵最大化，获得最优的 根据Kuhn-Tuchker条件，经过简化给出的Fast-ICA迭代 ， 其中，w+ 是新的w值。 对于Fast-ICA算法，数据预处理是一个最基本、最必要的过程。该过程包括去均值和白化（或球化）。 去均值过程起到了简化ICA算法的作用 白化[63][65]也是信号源盲分离算法中一个经常用到的预处理方法，对于某些盲分离算法，白化还是一个必须的预处理过程。对混合信号的白化实际上就是去除信号各个分量之间的相关性。 算法流程图： 技术路线图如下： Fast-ICA反演元素组合 由ICA的数学模型可知，在源信号S(t)未知，混合矩阵A未知的情况下，若要使求得的最优逼近信源的独立信号Y，只要求得解混矩阵W 即可。为此，将多道观测信号X(t)作为输入值，经由去均值、白化的数据预处理后，以负熵最大化理论作为优化判据，从而确定目标函数，应用牛顿迭代算法求目标函数最大值以求得解混矩阵W,最终得到相互独立的信号Y。 为解决寻求最优的成矿元素组合的问题，将单元素地球化学数据视为多道观测信号X(t)，将影响元素组合的各种因素视为混合矩阵A，在影响因素难以确定的前提下，从统计独立性的角度出发，将分离出各独立分量中能量最大的分量视为成矿元素组合。 应用Fast-ICA算法对所给地化数据得到能量最大的独立分量为： Y=0.7213×Au+0.3829×Ag+0.5361×Cu+0.2011×Pb-0.068×Zn 由系数可以看出，对独立分量Y的影响较大的元素是Cu和Au，所以可以判定Y是我们要寻求的成矿元素组合，而Cu和Au是矿致的指示元素。 谢谢大家！