机器学习经典算法之（二十四） 独立成分分析法

        （一）独立成分分析简介：

        ICA是20世纪90年代提出的，起初是神经网络的研究中有一个重要的问题，独立成分分析是一个解决问题的新方法。Ica（独立成分分析法）又称盲源分离(Blind source separation, BSS)，它假设观察到的随机信号x服从非高斯分布模型，其中s为未知源信号，其分量相互独立，A为一未知混合矩阵。ICA的目的是通过且仅通过观察x来估计混合矩阵A以及源信号s。大多数ICA的算法需要进行“数据预处理”（data preprocessing）：先用PCA得到y，再把y的各个分量标准化（即让各分量除以自身的标准差）得到z。预处理后得到的z各个分量不相关且方差为1。

        （二）典型应用场合：

        考虑到源信号是相互独立的，由某些物体或源发出的一组混好信号，这些源可能包括：发出电信号的不同脑区；在一个房间说话的几个人，发出语音信号；发出雷达信号的移动电话，等等．进一步假设有几个传感器或接收器，这些传感器放置在不同的位置上，这样，每个传感器记录的是源信号带有不同权重的混合．经典的鸡尾酒会问题就符合这样的情况。

ICA的实现步骤大家可以参考其他相关文献，以后有时间补充。

        （三）ICA实现代码（源码地址：https://www.github.com/LiangjunFeng）

#!/usr/bin/envpython3

# -*-coding:utf-8-*-

# Author :LiangjunFeng

# File   : FastICA.py

# Date   : 2017/10/15 6:25

# Version: 0.1

# Description:fastICA algorithm ,split voice signals

import wave

import os

import numpy asnp

import math

importmatplotlib.pyplot as plt

from numpyimport random

from sklearnimport preprocessing

import scipy

import scipy.ioas sio

 

defLoadSoundSet(path):

    filename= os.listdir(path)

    data = []

    for i in range(len(filename)):

        f = wave.open(path+filename[i],'rb')

        params = f.getparams()

        nchannels, sampwidth, framerate,nframes = params[:4]

        strData = f.readframes(nframes)

        waveData =np.fromstring(strData,dtype=np.int16)

        waveData = waveData*1.0/(max(abs(waveData)))

        data += waveData.tolist()

    time =np.arange(0,nframes*len(filename))*(1.0 / framerate)

    return time.tolist(),data

 

defLoadSound(path):

    f = wave.open(path,'rb')

    params = f.getparams()

    nchannels, sampwidth, framerate, nframes =params[:4]

    strData = f.readframes(nframes)               #read the wav file

    waveData =np.fromstring(strData,dtype=np.int