独立成分的分析(ICA)深圳大学.pptVIP

Independent component analysis 独立成分分析（ICA） 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。 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信号，如果仅用这两个记录的信号来估计出原来的两个语音信号，那将是一件非常有意义的事情，这也就是所谓的“鸡尾酒会”问题 。 由于主成分分析(PCA)和奇异值分解(SVD)是基于信号二 阶统计特性的分析方法，其目的用于去除图像各分量之间的相关性，因而它们主要应用于图像数据的压缩；而ICA 则是基于信号高阶统计特性的分析方法，经ICA分解出的各信号分量之间是相互独立的。正是因为这一特点，使ICA在信号处理领域受到了广泛的关注． 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。 麦克风1 麦克风2 麦克风3 a为权重的参数，在鸡尾酒舞会问题中为距离，x为两个话筒得到信号，s为两个表演者的声音。这两个人的声音相对独立并且忽略所有的其他因素比如声音的时间延迟。 如果我们知道a的参数，也就是说知道距离，反解出s就很简单。（半盲源） 但ICA是在不知道a和Si(t)的情况下的一种估计的算法，也就是说的盲信号分离的一种算法。 ICA的约束 为了确保上边刚刚给出的基本的ICA模型能被估计，我们必须要做出一定的假设和约束。 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； 3.假定混合矩阵是方阵； 1.独立成分被假定是统计独立的 该假设是ICA能够成立的前提。 概念上理解： 我们说随机变量y1，y2..yn独立，是指在i≠j时，有关yi的取值情况对于yj如何取值没有提供任何信息。 技术角度上理解： 联合概率密度等于各边缘概率密度的乘积。 根据源信号的统计特性，仅由观测的混合信号恢复(分离)出未知原始源信号的过程 “盲” 源信号不可观测 混合系统的特性事先不可知 盲源分离（Blind Source Seperation） 1、盲源分离与ICA的概念 盲源分离的目的是求得源信号的最佳估计。 给定随机变量的一组观测（ X1(t)， X2(t)， X3(t) ）其中t是时间或者样本标号。假设他们有独立成分线性的混合而产生： 式中，A是一个未知矩阵。在我们观测仅能观测到Xi(t)的情况下，独立分量分析就要同时估计出矩阵A和Si（t）。并且假设观测到的独立成分Xi(t)数目与Si（t）数目相同。 当盲源分离的各分量相互独立时，就成为独立分量分析 公式1 应用场景 生物医学信号领域 心电图(ECG)脑电图(EEG)信号分离 听觉信号分析、功能磁共振图像(FMRI)分析 处理孕妇身上测到的心电信号，分别得到孕妇自己和胎儿的心电信号 阵列信号处理领域 应用场景 在阵列传感器中，各传感器接收到混合信号，源信号和混合特性未知，是典型的盲分离应用问题。在移动通信阵列天线处理、海洋声纳探测等方面的作用越来越重要 声信号处理领域 应用场景 移动通信中，ICA技术能够有效地消除噪声、抑制干扰、增强语音，提高通信质量； 通过ICA方法对车辆行驶时产生的声音信号进行分离，对车辆个数与行车方向进行估计，实现车辆的简单分类 ICA范例——EEG 信号与假象分离 噪声条件下研究脑活动 监测多个脑活动过程 ICA范例——fMRI fMRI数据噪声大且复杂 ICA辨识同时产生的血流动力学过程 不需要特定的实验相关先验知识 3、数学基础 牛顿迭代法 熵 负熵 牛顿迭代法法 牛顿法最初是用于求解方程f(x)=0的解。其解的过程：由初始值x(k)开始，用一阶导数f’(x(k))=0计算新的估计值x(k+1)。 x(k+1)由f(x)在Pk点的切线与x轴的交点来确定。因此： f’(xk)= f(xk) Xk-xk+1 Xk+1=xk- f(xk) f’(xk) 而式中的f’(xk)可以看做是在初始点的导数，是可以很容易求出来的。 例. 用牛顿迭代法求方程的根: 解: 由牛顿迭代法 x0 =0.5; x1 =0.3333333333 x2 =0.3472222222 x3 =0.3472963532 x4 =0.3472963553 迭代四次 精度达10-8 熵 由信息论理论可知： 对于一个离散取值的随机变量X，他的熵定义为H： H(x)=-∑p(xi)log(p(xi)) (i=1,