独立成分分析_发哥搞网络

来源:百度文库 编辑:神马文学网 时间:2024/05/01 11:14:42
独立成分分析2009-04-22 15:41 独立成分分析  独立成分分析(ICA,Independent Component Correlation Algorithm)简介
  X=AS
  X为n维观测信号矢量,S为独立的m(m<=n)维未知源信号矢量,矩阵A被称为混合矩阵。
  ICA的目的就是寻找解混矩阵W(A的逆矩阵),然后对X进行线性变换,得到输出向量U。
  U=WX=WAS
  过程:
  (1)对输入数据进行中心化和白化预处理
  X*=X-u
  经过白化变换后的样本数据为
  Z=Wz X*
  (2)从白化样本中求解出解混矩阵W
  通过优化目标函数的方法得到W
  (3)得到独立的基向量U
  U=WX
  应用:表情分类
  得到基向量U后,任何一个样本可用U的线性组合来表示。
  线性组合的系数即Xi向U上的投影系数:
  Ei=UXi'
  训练样本和测试样本可分别得到Ei和Etest。
  然后选择合适的分类器,就可以进行分类。最简单的即为最近邻分类器(NNC):用距离参数表示训练集模板与测试样本的差异,认为测试样本与满足最小距离的训练样本属于同一种表情。
  fastica简介
  function [Out1, Out2, Out3] = fastica(mixedsig, varargin)
  %FASTICA(mixedsig) estimates the independent components from given
  % multidimensional signals. Each row of matrix mixedsig is one
  % observed signal.
  % = FASTICA (mixedsig); the rows of icasig contain the
  % estimated independent components.
  % = FASTICA (mixedsig); outputs the estimated separating
  % matrix W and the corresponding mixing matrix A.
  mixedsig为输入向量,icasig为求解的基向量。
  A即为混合矩阵,可以验证mixedsig=A×icasig。
  W即为解混矩阵,可以验证icasig=W×mixedsig。