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：

评论：[我要评论] [举报此文件]

收藏者：