使用时间结构的ICA

到目前为止，我们所考虑的独立分量分析(ICA)模型是由独立随机变量混合而成，通常是线性的。
然而，在许多应用中，混合的不是随机变量，而是时间信号或时间序列。
这与基本的ICA模型形成了对比，在这个模型中，x的样本没有特定的顺序:我们可以以任何我们喜欢的方式洗牌它们，这对模型的有效性没有影响，对我们已经讨论过的估计方法也没有影响。
如果独立分量(ICs)是时间信号，情况就完全不同了。

事实上，如果ICs是时间信号，它们可能包含比简单随机变量更多的结构。
例如，ICs的自协方差(不同时间滞后的协方差)是定义良好的统计量。
然后可以使用这些附加的统计信息来改进模型的估计。
这些额外的信息实际上可以在基本ICA方法无法估计的情况下对模型进行估计，例如，如果ICs是高斯的，但是随着时间的推移是相关的。

在这一章中，我们考虑了当集成电路是时间信号时ICA模型的估计，即si (t);t = 1;:::;T，其中T是时间指标。
在前面几章中，我们用t表示样本索引，但是在这里t有更精确的含义，因为它定义了ICs之间的顺序。
模型表示为

假设A和往常一样是平方的，ICs当然是独立的。
相比之下，ICs不必是nongaussian。

下面，我们将对ICs的时间结构做一些假设，以便对模型进行估计。
首先，我们假设ICs有不同的自协方差(特别是，它们都不等于0)。
其次，我们将考虑ICs的方差是非平稳的情况。
最后，我们讨论Kolmogoroff复杂性作为ICA与时间相关的混合物的一般框架。

分离自协方差

自协方差作为非高斯性的替代

最简单的时间结构形式由(线性)自协方差给出。
这意味着信号在不同时间点的值之间的协方差:cov(xi (t)xi (t-$\tau$ )) where $\tau$ is some lag constant, $\tau$ = 1; 2; 3; :::. If the data has time-dependencies,the autocovariances are often different from zero.

除了一个信号的自协方差，我们还需要两个信号之间的协方差:cov(xi (t)xj (t -$\tau$ )) where i $\ne$ j。对于给定的时滞，所有这些统计量都可以用时滞协方差矩阵进行分组。

ICA的问题是简单的零滞后协方差(或相关)矩阵C没有包含足够的参数来估计A。
这意味着找到一个矩阵V使得这个向量的分量

白化是不足以估计ICs。