ICA 原理以及相关概率论，信息论知识简介

最新推荐文章于 2024-09-20 15:07:18 发布

whiteinblue

最新推荐文章于 2024-09-20 15:07:18 发布

阅读量4.6k

点赞数 1

文章标签： ICA

本文链接：https://blog.csdn.net/whiteinblue/article/details/36027443

版权

本文介绍了ICA的基本概念，包括独立分量分析的目标是寻找观测信号的线性组合，以恢复出源信号。通过盲信号分离(BSS)问题阐述了ICA的应用背景，并以鸡尾酒宴会问题为例进行解释。文章还探讨了如何通过优化目标函数来度量分离信号的独立性，并介绍了概率论和信息论的基础知识，如熵、负熵和互信息在ICA中的作用。

摘要由CSDN通过智能技术生成

看完了sparse coding，开始看ICA模型，本来ng的教程上面就只有一个简短的介绍，怎奈自己有强迫症，爱钻牛角尖，于是乎就搜索了一些ICA的介绍文章（都是从百度文库中搜来的），看完之后感觉这个略懂一二，遂写文以记之，一为加深印象，二为分享交流。

一：引言

ICA IndependentComponent Analysis 又名独立分量分析。

ICA是20世纪90年代发展起来的一种新的信号处理技术，它是从多维统计数据中找出隐含因子或分量的方法。从线性变换和线性空间角度，源信号为相互独立的非高斯信号，可以看作线性空间的基信号，而观测信号则为源信号的线性组合,ICA就是在源信号和线性变换均不可知的情况下，从观测的混合信号中估计出数据空间的基本结构或者说源信号。

二：ICA模型介绍

2.1.Blind Signal Separation, BSS问题

BSS问题，即盲信号分离问题，是信号处理中一个传统而又极具挑战性的课题。BSS是指仅从观测的混合信号（通常是多个传感器的输出）中恢复独立的源信号，这里的“盲”是指：1.源信号是不可观测的；2.混合系统是事先未知的。在科学研究和工程应用中，很多观测信号都可以假设成是不可见的源信号的混合。所谓的“鸡尾酒会”问题就是一个典型的例子，简单说就是当很多人（作为不同的声音源）同时在一个房间里说话时，声音信号由一组麦克风记录下来，这样每个麦克风记录的信号是所有人声音的一个混合，也就是通常所说的观测信号。问题是：如何只从这组观测信号中提取每个说话者的声音信号，即源信号。如果混合系统是已知的，则以上问题就退化成简单的求混合矩阵的逆矩阵。但是在更多的情况下，人们无法获取有关混合系统的先验知识，这就要求人们从观测信号来推断这个混合矩阵，实现盲源分离。

经典的鸡尾酒宴会问题（cocktail party problem）。假设在party中有n个人，他们可以同时说话，我们也在房间中一些角落里共放置了n个声音接收器用来记录声音。宴会后，从n个麦克风中得到一组数据Xi（Xi1，Xi2，……Xin）i=1,2……m，i表示采样的时间顺序，也就是说共得到了m组采样，每一组采样都是n维的。我们的目标是单单从这m组采样数据中分辨出每个人说话的信号。