机器学习处理信号分离_【火炉炼AI】机器学习054-用ICA做盲源分离

【火炉炼AI】机器学习054-用ICA做盲源分离

(本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )

盲源分离是指在信号的理论模型和源信号无法精确获知的情况下，如何从混叠信号中分离出各源信号的过程。盲源分离的目的是求得源信号的最佳估计。说的通俗一点，就相当于，假如有十个人同时说话，我用录音机把他们说的话都录下来，得到的肯定是10种声音的混杂，那么怎么将这种混杂声音分离成单个人的说话声音？解决类似这种问题就是盲源分离。

独立成分分析(Independent Components Analysis, ICA)解决的是原始数据分解的问题，常常用于盲源分离问题中。在我上一篇文章A中提到PCA虽然具有各种优点，但是也有几个缺点，比如不能对非线性组织的数据集降维，针对这个缺点解决方法是用核PCA代替PCA，另外一个缺点是不能用于解决数据集不满足高斯分布的情况，这种情况的数据降维要用独立成分分析ICA来完成。

独立成分分析师从多维统计数据中寻找潜在因子或成分的一种方法，ICA与PCA等降维方法的区别在于，它寻找满足统计独立和非高斯的成分。

1. 加载数据集

首先加载数据集，本次所用的数据集位于文件mixture_of_signals.txt中，这个文件中有四列数据，代表四个不同的信号源，共2000个样本data_path="E:\PyProjects\DataSet\FireAI\mixture_of_signals.txt"df=pd.read_csv(data_path,header=None,sep=' ')

print(df.info()) # 查看