PCA, ICA, CCA

1. PCA 主成分分析

m个n维的样本数据X1, X2, ... , Xm, 均值为u

步骤:

（1）标准化， Xi - u

（2）计算协方差矩阵 E{ (X-E(X))(X-E(X))^T }

（3）计算特征值和特征向量（单位化）

（4）选择特征值最大的前k（1<=k<=n）项的特征向量

（5）利用特征向量的组合进行线性变换，得到新的数据

2. ICA 独立成分分析

从可观察的Observables信号X1, X2, ..., Xn, 恢复Sources信号S1, S2, ..., Sm

x = Ws

s = W^(-1)x  

这里涉及到线性变换。

以去脑电伪迹（可以理解为噪声信号）为例。

这里有三步：

（1）观察信号X经过线性变换计算出源信号u，也就是独立成分ICs：u = WX

（2）去除伪迹的成分，在脑电信号中，一般是第一第二个成分

（3）对去除伪迹后的成分u0进行线性变换，x0 = W^(-1)u0, x0就是去除伪迹后的信号

这里关键的关键就是如何计算出W，这里依据成分的独立性这一性质。

3. CCA 典型相关分析

参考资料：

1. A tutorial on Principal Components Analysis ，Lindsay I Smith， 2002

2. Independent Component Analysis: Algorithms and Applications，Aapo Hyvärinen and Erkki Oja，2000

3. Artifact rejection and running ICA

4. Independent Component Analysis and Its Applications，Tzyy-Ping Jung