Scikit-learn_成分分解与降维_独立成分分析

一.描述

• 从录音数据中分离出两位演讲者个字独立的讲话声音s1和s2，这就是独立成分分析。
• 独立成分分析又被称为盲源分析
• 独立成分分析通常不用于降低维度，而用于分离叠加信号。由于ICA模型不包括噪声项，因此要使模型正确，必须使用白化。FastICA类的whiten参数可以设置是否使用白化

二.实例

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['FangSong']
plt.rcParams['axes.unicode_minus'] = False
_x = np.linspace(0, 8*np.pi, 1000)
k1 = np.where(np.int_(0.5*_x/np.pi)%2==0, 1, -1)/np.pi
k2 = np.where(np.int_(_x/np.pi)%2==0, 1, 0)
k3 = np.where(np.int_(_x/np.pi)%2==0, 0, 1)
# 第一位演讲者的声音
s1 = np.sin(_x)
# 第二位演讲者的声音
s2 = _x%(np.pi)*k1*k2 + (np.pi-_x%(np.pi)) * k1 * k3
# 录音1
x1 = 0.4*s1 + 0.5*s2
# 录音2
x2 = 1.2*s2 - 0.3*s2
plt.figure(figsize=(20, 10))
plt.subplot(121)
plt.plot(_x, s1, label='s1')
plt.plot(_x, s2, label='s2')
plt.legend()
plt.subplot(122)
plt.plot(_x, x1, label='x1')
plt.plot(_x, x2, label='x2')
plt.legend()
plt.show()
from sklearn.decomposition import FastICA
# 将两个信号合并成矩阵
X = np.stack((x1, x2), axis=1)
X.shape
# 快速独立完成成分分析类实例化
fica = FastICA(n_components=2)
fica.fit(X)
# 独立成分分析结果
X_ica = fica.transform(X)
X_ica.shape
plt.plot(_x, X_ica[:, 0], label='独立成分1')
plt.plot(_x, X_ica[:, 1], label='独立成分2')
plt.legend()
plt.show()