机器学习笔记 - 独立成分分析（ICA）

1、概述

        独立分量分析 (ICA) 是一种机器学习方法，其中将多元信号分解为不同的非高斯信号。它侧重于独立来源。由于混频处理未知，所以常用ICA作为黑盒。与寻求最大化数据点方差的主成分分析不同。

        噪声对记录的信号有很大的影响，不能从测量中去除。很难记录干净的测量值，因为源信号总是受到噪声和其他源提供的其他独立信号的污染。 

        因此，测量结果可能被描述为几个独立来源的汇编。盲源分离是分离这些混合信号（BSS）的过程。盲这个词表示即使关于它们的信息很少，源信号也可能被分离。

        独立成分分析 (ICA) 方法尝试从单个项目中识别或提取声音，尽管周围环境中存在其他噪音。

        ICA 已用于在各种应用中提取源信号，包括医疗信号、生物测试和音频信号。当 ICA 可以删除或维护单个源时，它也称为降维算法。在此活动期间可以过滤或删除一些信号，这也称为过滤操作。

        FastICA、投影追踪和 Infomax 只是 ICA 算法中的一小部分。这些算法的主要目的是使用下面概述的方法提取独立分量。

 &