独立成分分析 独立成分分析(ICA,Independent Component Correlation Algorithm)简介 X=AS X为n维观测信号矢量,S为独立的m(m<=n)维未知源信号矢量,矩阵A被称为混合矩阵。 ICA的目的就是寻找解混矩阵W(A的逆矩阵),然后对X进行线性变换,得到输出向量U。 U=WX=WAS 过程: (1)对输入数据进行中心化和白化预处理 X*=X-u 经过白化变换后的样本数据为 Z=Wz X* (2)从白化样本中求解出解混矩阵W 通过优化目标函数的方法得到W (3)得到独立的基向量U U=WX 应用:表情分类 得到基向量U后,任何一个样本可用U的线性组合来表示。 线性组合的系数即Xi向U上的投影系数: Ei=UXi' 训练样本和测试样本可分别得到Ei和Etest。 然后选择合适的分类器,就可以进行分类。最简单的即为最近邻分类器(NNC):用距离参数表示训练集模板与测试样本的差异,认为测试样本与满足最小距离的训练样本属于同一种表情。 fastica简介 function [Out1, Out2, Out3] = fastica(mixedsig, varargin) %FASTICA(mixedsig) estimates the independent components from given % multidimensional signals. Each row of matrix mixedsig is one % observed signal. % = FASTICA (mixedsig); the rows of icasig contain the % estimated independent components. % = FASTICA (mixedsig); outputs the estimated separating % matrix W and the corresponding mixing matrix A. mixedsig为输入向量,icasig为求解的基向量。 A即为混合矩阵,可以验证mixedsig=A×icasig。 W即为解混矩阵,可以验证icasig=W×mixedsig。 |
联系客服