独立成分分析independentcomponentanaly

《独立成分分析independentcomponentanaly》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、1.问题：    1、上节提到的PCA是一种数据降维的方法，但是只对符合高斯分布的样本点比较有效，那么对于其他分布的样本，有没有主元分解的方法呢？    2、经典的鸡尾酒宴会问题（cocktailpartyproblem）。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（Microphone）用来记录声音。宴会过后，我们从n个麦克风中得到了一组数据{xix1(i),x2(i),…,xn(i);i=1,…,n}，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

2、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。    将第二个问题细化一下，有n个信号源s(s1,s2,…sn)T,S∈Rn,每一维都是一个人的声音信号，每个人发出的声音信号独立。A是一个未知的混合矩阵（mixingmatrix），用来组合叠加信号s，那么    x=As    x的意义在上文解释过，这里的x不是一个向量，是一个矩阵。其中每个列向量是x(i)，x(i)=As(i)    表示成图就是        这张图来自    http://amouraux.webnode.com/research-interest

3、s/research-interests-erp-analysis/blind-source-separation-bss-of-erps-using-independent-component-analysis-ica/        x(i)的每个分量都由s(i)的分量线性表示。A和s都是未知的，x是已知的，我们要想办法根据x来推出s。这个过程也称作为盲信号分离。    令W=A-1，那么s(i)=A-1x(i)=Wx(i)    将W表示成        其中，其实就是将Wi写成行向量形式。那么得到：    sj(i)=w

4、jTx(i)2.ICA的不确定性（ICAambiguities）    由于w和s都不确定，那么在没有先验知识的情况下，无法同时确定这两个相关参数。比如上面的公式s=wx。当w扩大两倍时，s只需要同时扩大两倍即可，等式仍然满足，因此无法得到唯一的s。同时如果将人的编号打乱，变成另外一个顺序，如上图的蓝色节点的编号变为3,2,1，那么只需要调换A的列向量顺序即可，因此也无法单独确定s。这两种情况称为原信号不确定。    还有一种ICA不适用的情况，那就是信号不能是高斯分布的。假设只有两个人发出的声音信号符合多值正态分布，，I是2*

5、2的单位矩阵，s的概率密度函数就不用说了吧，以均值0为中心，投影面是椭圆的山峰状（参见多值高斯分布）。因为，因此，x也是高斯分布的，均值为0，协方差为。    令R是正交阵，。如果将A替换成A’。那么。s分布没变，因此x’仍然是均值为0，协方差。    因此，不管混合矩阵是A还是A’，x的分布情况是一样的，那么就无法确定混合矩阵，也就无法确定原信号。3.密度函数和线性变换    在讨论ICA具体算法之前，我们先来回顾一下概率和线性代数里的知识。    假设我们的随机变量s有概率密度函数ps(s)（连续值是概率密度函数，离散值是概

6、率）。为了简单，我们再假设s是实数，还有一个随机变量x=As，A和x都是实数。令是x的概率密度，那么怎么求？    令，首先将式子变换成，然后得到，求解完毕。可惜这种方法是错误的。比如s符合均匀分布的话（），那么s的概率密度是，现在令A=2，即x=2s，也就是说x在[0,2]上均匀分布，可知。然而，前面的推导会得到。正确的公式应该是        推导方法            更一般地，如果s是向量，A可逆的方阵，那么上式子仍然成立。4.ICA算法    ICA算法归功于Bell和Sejnowski，这里使用最大似然估计来解释

7、算法，原始的论文中使用的是一个复杂的方法Infomaxprincipal。    我们假定每个有概率密度，那么给定时刻原信号的联合分布就是        这个公式代表一个假设前提：每个人发出的声音信号各自独立。有了p(s)，我们可以求得p(x)        左边是每个采样信号x（n维向量）的概率，右边是每个原信号概率的乘积的

8、W

9、倍。    前面提到过，如果没有先验知识，我们无法求得W和s。因此我们需要知道，我们打算选取一个概率密度函数赋给s，但是我们不能选取高斯分布的密度函数。在概率论里我们知道密度函数p(x)由累计分布函数

10、（cdf）F(x)求导得到。F(x)要满足两个性质是：单调递增和在[0,1]。我们发现sigmoid函数很适合，定义域负无穷到正无穷，值域0到1，缓慢递增。我们假定s的累积分布函数符合sigmoid函数        求导后        这就是s的密度函数。这