(十一)独立成分分析.pdfVIP

独立成分分析（Independent Component Analysis ） JerryLead csxulijie@ 1. 问题： 1、上节提到的PCA 是一种数据降维的方法，但是只对符合高斯分布的样本点比较有效，那 么对于其他分布的样本，有没有主元分解的方法呢？ 2、经典的鸡尾酒宴会问题（cocktail party problem ）。假设在party 中有n 个人，他们可以同 时说话，我们也在房间中一些角落里共放置了n 个声音接收器（Microphone）用来记录声音。 ( ) ( ) ( ) ( ) 宴会过后，我们从 n 个麦克风中得到了一组数据*x (1 , 2 , …, ); = 1, …, + ，i 表示 采样的时间顺序，也就是说共得到了 m 组采样，每一组采样都是n 维的。我们的目标是单 单从这m 组采样数据中分辨出每个人说话的信号。 将第二个问题细化一下，有n 个信号源s ( , , …, ) ，s ∈ ℝ ，每一维都是一个人的 1 2 声音信号，每个人发出的声音信号独立。A 是一个未知的混合矩阵（mixing matrix），用来组 合叠加信号s，那么 x = As ( ) x 的意义在上文解释过，这里的x 不是一个向量，是一个矩阵。其中每个列向量是x ， () = () 表示成图就是 这张图来自 /research-interests/research-interests-erp-analysis/blind-sou rce-separation-bss-of-erps-using-independent-component-analysis-ica/ () () 1 1 A 1 () 3 A 3 A 2