ICA
所属分类：matlab编程
开发工具：matlab
文件大小：44KB
下载次数：7
上传日期：2018-07-21 10:13:57
上 传 者：
一狼大哥哥
说明： 声源定位的方法：
ICA(Independent Component Correlation Algorithm)是一种函数，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。
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。
(Sound source localization method:
ICA (Independent Component Correlation Algorithm) is a function, X is a n-dimensional observation signal vector, and S is an independent m (m<=n) dimension unknown source signal vector, and matrix A is called a mixed matrix. The purpose of ICA is to find the inverse matrix of the unmixing matrix W (A), and then transform the X linearly to get the output vector U.
The simplest is the nearest neighbor classifier (NNC): the distance parameter is used to express the difference between the training set template and the test sample, and it is considered that the test sample and the training sample that meet the minimum distance belong to the same expression.)
文件列表:
【分析方法】【1.信号处理】【独立成分分析】\Contents.m (1307, 2005-10-19)
【分析方法】【1.信号处理】【独立成分分析】\demosig.m (748, 2003-04-05)
【分析方法】【1.信号处理】【独立成分分析】\dispsig.m (402, 2003-04-05)
【分析方法】【1.信号处理】【独立成分分析】\fastica.m (18523, 2009-10-28)
【分析方法】【1.信号处理】【独立成分分析】\fasticag.m (19214, 2005-10-19)
【分析方法】【1.信号处理】【独立成分分析】\fpica.m (26041, 2005-06-16)
【分析方法】【1.信号处理】【独立成分分析】\gui_adv.m (13126, 2004-07-27)
【分析方法】【1.信号处理】【独立成分分析】\gui_advc.m (7411, 2003-09-08)
【分析方法】【1.信号处理】【独立成分分析】\gui_cb.m (19416, 2003-09-10)
【分析方法】【1.信号处理】【独立成分分析】\gui_cg.m (2704, 2003-04-05)
【分析方法】【1.信号处理】【独立成分分析】\gui_help.m (14536, 2005-10-19)
【分析方法】【1.信号处理】【独立成分分析】\gui_l.m (5129, 2004-07-27)
【分析方法】【1.信号处理】【独立成分分析】\gui_lc.m (3665, 2003-09-11)
【分析方法】【1.信号处理】【独立成分分析】\gui_s.m (5017, 2004-07-27)
【分析方法】【1.信号处理】【独立成分分析】\gui_sc.m (2402, 2003-09-08)
【分析方法】【1.信号处理】【独立成分分析】\icaplot.m (13259, 2003-04-05)
【分析方法】【1.信号处理】【独立成分分析】\pcamat.m (12075, 2003-12-15)
【分析方法】【1.信号处理】【独立成分分析】\remmean.m (461, 2003-04-05)
【分析方法】【1.信号处理】【独立成分分析】\whitenv.m (2842, 2003-10-12)
【分析方法】【1.信号处理】【独立成分分析】 (0, 2018-07-21)
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：