基于负熵最大化FastICA算法.docVIP

鉴于负熵最大化的 FastICA 算法 一．算法原理： 独立分量剖析（  ICA ）的过程如下列图所示：在信源  s(t)  中各分量相互独立的假定下，由 察看  x(t)  经过成婚系统  B 把他们分别开来，使输出  y(t )  逼近  s(t)  。 图 1-ICA 的一般过程 ICA 算法的研究可分为鉴于信息论准则的迭代估计方法和鉴于统计学的代数方法两大 类，从原理上来说， 它们都是利用了源信号的独立性和非高斯性。 鉴于信息论的方法研究中，各国学者从最大熵、最小互信息、最大似然和负熵最大化等角度提出了一系列估计算法。如 FastICA 算法 , Infomax 算法，最大似然估计算法等。鉴于统计学的方法主要有二阶累积量、 四阶累积量等高阶累积量方法。本实验主要议论 FastICA 算法。 数据的预办理 一般情况下， 所获得的数据都具有有关性， 所以往常都要求对数据进行初步的白化或球 化办理， 因为白化办理可去除各观察信号之间的有关性， 进而简化了后续独立分量的提取过 程，而且，往常情况下，数据的白化办理能大大增强算法的收敛性。 若一零均值的随机向量 Z T I ，其中： I 为单位矩阵，我 Z1, ,ZM 知足 E ZZ T 们称这个向量为白化向量。白化的本质在于去有关，这同主分量剖析的目标是同样的。在 ICA 中 ， 对 于 为