ica得到的各独立成分的方差相同吗

ica得到的各独立成分的方差相同吗

ica的应用： ICA 的主要应用是特征提取、盲源信号分离]、生理学数据分析]、语音信号处理、图像处理及人脸识别等. 在这部分, 我们综述一下ICA 的主要应用范例. 1　在脑磁图(MEG) 中分离非自然信号脑磁图是一种非扩散性的方法. 通过它, 活动或者脑皮层的神经元有很好的时间分辨率和中等的空间分辨率. 作为研究和临床的工具使用M EG 信号时, 研究人员面临着在有非自然信号的情况下提取神经元基本特征的问题. 干扰信号的幅度可能比脑信号的幅度要高, 非自然信号在形状上像病态信号. 在文献[36 ]中, 作者介绍了一种新的方法( ICA ) 来分离脑活动和非自然信号. 这种方法是基于假设: 脑活动和非自然信号(像眼的运动或眨眼或传感器失灵) 是解剖学和生理学上的不同过程, 这种不同反映在那些过程产生的磁信号间的统计独立性上. 在这之前, 人们用脑电图(EEG) 信号进行过试验[ 37 ] , 相关的方法见文献[43 ]. 试验结果表明, ICA 能很好地从M EG 信号里分离出眼运动及眨眼时的信号, 还能分离出心脏运动、肌肉运动及其它非自然信号. Fast ICA 算法是一个很合适的算法, 因为非自然信号的去除是一个交互式的方法, 研究者可以很方便地选择他所想要的独立成分的数目. 除 ...