FastICA_2[1].5
所属分类:人工智能/神经网络/深度学习
开发工具:matlab
文件大小:36KB
下载次数:7
上传日期:2009-12-25 10:32:09
上 传 者:
守恒
说明: 独立成分分析(ICA,Independent Component Correlation Algorithm)简介
( FastICA programs:
FASTICAG - Graphical user interface for FastICA
FASTICA - command line version of FastICA)
文件列表:
gui_cg.m (2704, 2003-04-05)
gui_help.m (14536, 2005-10-19)
gui_l.m (5129, 2004-07-27)
gui_lc.m (3665, 2003-09-11)
gui_s.m (5017, 2004-07-27)
gui_sc.m (2402, 2003-09-08)
icaplot.m (13259, 2003-04-05)
pcamat.m (12075, 2003-12-15)
remmean.m (461, 2003-04-05)
whitenv.m (2842, 2003-10-12)
Contents.m (1307, 2005-10-19)
demosig.m (748, 2003-04-05)
dispsig.m (402, 2003-04-05)
fastica.m (18523, 2009-10-28)
fasticag.m (19214, 2005-10-19)
fpica.m (26041, 2005-06-16)
gui_adv.m (13126, 2004-07-27)
gui_advc.m (7411, 2003-09-08)
gui_cb.m (19416, 2003-09-10)
http://www.cis.hut.fi/projects/ica/fastica/
======================
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。
近期下载者:
相关文件:
收藏者: