盲源分离凸混合物?


18

假设我有独立的源并且观察到凸混合: X 1X 2X n m Y 1nX1,X2,...,Xnm

Y1=a11X1+a12X2++a1nXn...Ym=am1X1+am2X2++amnXn

对于所有,,对于所有,。jaij=1iaij0一世Ĵ

从中恢复的最新状态是什么?Xÿ

PCA完全没有问题,因为我需要可识别的组件。我研究了ICA和NMF-我找不到任何方法可以使ICA的混合系数非负,并且NMF似乎没有最大程度地提高独立性。


2
我认为应该将其称为“非负独立成分分析”,但似乎该名称已用于ICA,且对源而不是混合矩阵(eecs.qmul.ac.uk/ 〜markp / 2003 / Plumbley03-algorithms-c.pdf)。因此,这不适用于您的情况。有趣的问题。X一种
变形虫说恢复莫妮卡2014年

您不希望总和超过j而不是i吗?您可以假设信号源近似于高斯吗?如果它们是单峰的并且具有足够快的衰减,则拟合GMM可能就足够了。
Yair Daon,2015年

@YairDaon嗯,谢谢,很好。不幸的是,光源是离散的,甚至看起来都不像是高斯的混合体。但是也许我可以将它们粗略地近似为高斯混合,然后进一步完善。但是,有一些更通用/更强大的功能会很好
匿名

1
您尝试了哪种ICA算法?我有些生疏,但认为可以在某些算法中采用混合系数的非负假设,这些算法假设信号的某些模型,例如加权调整后的二阶盲识别(WASOBI)算法,因为它假设您可以在AR过程中对信号进行建模,因此可以在系数中施加条件。
内斯托尔·

1
集合{1,2,...,96}都支持所有来源
匿名

Answers:


0

如果X也为非负数,则可以通过使用指数非线性而不是典型/默认tanh()来实现。

https://www.cs.helsinki.fi/u/ahyvarin/papers/NN00new.pdf中的公式40,在大多数实现中都可用。

例如,在sklearn只需使用乐趣=“EXP” https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.FastICA.html


1
欢迎来到Stats.SE。您可以编辑答案并扩大答案以解释您提供的链接的关键步骤吗?这样,就可以在此处搜索信息(有时链接会断开)。您可能想看看一些格式化帮助。在使用时,您可以使用LaTeX / MathJax
Ertxiem-
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.