ICA (独立成分分析)

Posted 小河沟大河沟

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了ICA (独立成分分析)相关的知识,希望对你有一定的参考价值。

介绍


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

编辑
(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。
 
 

以上是关于ICA (独立成分分析)的主要内容,如果未能解决你的问题,请参考以下文章

ICA (独立成分分析)

机器学习 —— 基础整理:特征提取之线性方法——主成分分析PCA独立成分分析ICA线性判别分析LDA

独立成分分析(ICA)的模拟实验(R语言)

PCA+ICA

R语言独立成分分析fastICA谱聚类支持向量回归SVR模型预测商店销量时间序列可视化

机器学习实战精读--------主成分分析(PCA)