Questions tagged «separability»

4
快速/高效的方法来分解可分离的整数2D滤波器系数
我希望能够快速确定给定的整数系数2D内核是否可分为两个具有整数系数的1D内核。例如 2 3 2 4 6 4 2 3 2 可分为 2 3 2 和 1 2 1 使用整数算术对可分离性的实际测试似乎相当简单,但是事实证明,分解为具有整数系数的一维滤波器比较困难。困难似乎在于以下事实:行或列之间的比率可能是非整数(比率分数),例如,在上述示例中,比率为2、1 / 2、3 / 2和2/3。 我真的不想使用像SVD这样的繁重方法,因为(a)满足我的需求在计算上相对昂贵,并且(b)仍然不一定有助于确定整数系数。 有任何想法吗 ? 更多信息 系数可以为正,负或零,并且可能存在一些病理情况,其中一维向量或两个一维向量之和为零。 -1 2 -1 0 0 0 1 -2 1 可分为 1 -2 1 和 -1 0 1
21 filters  separability  1d  2d 

3
当在所有传感器上都无法检测到所有源信号时,ICA是否适合分离混合信号?
ICA的一般实现是将信号的混合分离为其M个组成部分,这要求将信号假定为源的线性瞬时混合。我遇到的对ICA的每种描述似乎都是理所当然的事实,即所有N个信号混合中都存在一定程度的M个信号源。 NNNMMMMMMNNN 我的问题是,如果信号源仅出现在部分而非全部信号混合信号中,该怎么办? MMM 这种情况是否违反了ICA能够分离这些信号所必需的基本假设?(为方便起见,假设我们正在处理一个不完整或完整的系统(或N = M),并且M个源信号中的每个实际上在统计上都是彼此独立的)。N>MN>MN>MN=MN=MN=MMMM 我正在考虑将ICA应用于这种情况的实现如下:我有来自4种不同类型传感器的数据,每种传感器具有不同数量的通道。具体来说,我有24个EEG数据通道,3个EOC眼电数据通道,4个EMG数据通道和1个ECG数据通道。所有数据同时记录。 我想在EEG数据中确定ECG,EMG和EOG信号的作用,以便删除它们。预期EEG传感器将接收EMG + ECG + EOG信号,反之则不然。同样,EOG和EMG可能会相互污染并被ECG污染,但是ECG可能与所有其他信号完全隔离。另外,我假设发生混合的地方是线性的和瞬时的。 我的直觉告诉我,假设地,ICA应该足够聪明,可以返回系数非常小(接近0)的混合滤波器,以说明缺乏信号源对混合信号的影响。但是我担心ICA对信号进行混合的方式会固有地使人们期望所有混合物中都存在所有信号源。我使用的实现是FastICA,这是一种基于投影追求的方法。
16 ica  eeg  separability 
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.