Анализ зависимых компонентов
Эта статья может быть слишком технической для понимания большинства читателей . ( Октябрь 2018 г. ) |
Анализ зависимых компонентов (DCA) — это метод слепого разделения сигналов (BSS) и расширение анализа независимых компонентов (ICA). ICA — это разделение смешанных сигналов на отдельные сигналы без каких-либо знаний об исходных сигналах. DCA используется для разделения смешанных сигналов на отдельные наборы сигналов, которые зависят от сигналов внутри их собственного набора, без каких-либо сведений об исходных сигналах. DCA может быть ICA, если все наборы сигналов содержат только один сигнал в своем собственном наборе. [1]
Математическое представление
[ редактировать ]Для простоты предположим, что все отдельные наборы сигналов имеют одинаковый размер k и общее количество наборов N. Построив базовые уравнения BSS (см. ниже) вместо сигналов независимых источников, можно получить независимые наборы сигналов s(t) = ({s 1 (t),...,s k (t)},.. .,{s kN-k+1 (t)...,s kN (t)}) Т , которые смешаны коэффициентами A=[a ij ]εR мхкН которые создают набор смешанных сигналов x(t)=(x 1 (t),...,x m (t)) Т . Сигналы могут быть многомерными.
Следующее уравнение BSS разделяет набор смешанных сигналов x(t) путем поиска и использования коэффициентов B=[B ij ]εR кНхм , чтобы отделить и получить набор аппроксимации исходных сигналов, y(t)=({y 1 (t),...,y k (t)},...,{y kN-k+1 ( t)...,y kN (t)}) Т . [1]
Методы
[ редактировать ]Разложение поддиапазонов ICA (SDICA) основано на том факте, что широкополосные исходные сигналы являются зависимыми, но другие поддиапазоны независимы. Он использует адаптивный фильтр , выбирая поддиапазоны с использованием минимума взаимной информации (MI) для разделения смешанных сигналов. После обнаружения сигналов поддиапазонов ICA можно использовать для восстановления на основе сигналов поддиапазонов с помощью ICA. Ниже приведена формула для определения MI на основе энтропии , где H — энтропия. [2]
Ссылки
[ редактировать ]- ^ Jump up to: а б Ли, Руи; Ли, Хунвэй; Ван, Фасонг (1 апреля 2010 г.). «Анализ зависимых компонентов: концепции и основные алгоритмы». Журнал компьютеров . 5 (4): 589–597. дои : 10.4304/jcp.5.4.589-597 .
- ^ Коприва, Ивица; Серсич, Дамир (2007). «Надежное слепое разделение статистически зависимых источников с использованием вейвлетов двойного дерева». 2007 Международная конференция IEEE по обработке изображений . дои : 10.1109/ICIP.2007.4378984 . ISBN 978-1-4244-1436-9 . S2CID 7046249 .