内容发布更新时间 : 2024/6/26 23:16:35星期一 下面是文章的全部内容请认真阅读。
浅谈ICA算法的概念、本质和流程
ICA独立成分分析是近年来出现的一种强有力的数据分析工具（Hyvarinen A,
Karhunen J, Oja E, 2001; Roberts S J, Everson R, 2001）。1994年由Comon给出了ICA的一个较为严格的数学定义，其思想最早是由Heranlt和Jutten于1986年提出来的。
ICA从出现到现在虽然时间不长，然而无论从理论上还是应用上，它正受到越来越多的关注，成为国内外研究的一个热点。
ICA独立成分分析是一种用来从多变量（多维）统计数据里找到隐含的因素或成分的方法，被认为是PCA主成分分析(请参见人工智能（46）)和FA因子分析的一种扩展。对于盲源分离问题，ICA是指在只知道混合信号，而不知道源信号、噪声以及混合机制的情况下，分离或近似地分离出源信号的一种分析过程。
ICA算法概念：ICA（IndependentComponent Analysis）独立成分分析是一门统计技术，用于发现存在于随机变量下的隐性因素。ICA为给观测数据定义了一个生成模型。在这个模型中，其认为数据变量是由隐性变量，经一个混合系统线性混合而成，这个混合系统未知。并且假设潜在因素属于非高斯分布、并且相互独立，称之为可观测数据的独立成分。 ICA与PCA相关，但它在发现潜在因素方面效果良好。它可以应用在数字图像、档文数据库、经济指标、心里测量等。
ICA算法本质：ICA是找出构成信号的相互独立部分(不需要正交)，对应高阶统计量分析。ICA理论认为用来观测的混合数据阵X是由独立元S经过A线性加权获得。ICA理论的目标就是通过X求得一个分离矩阵W，使得W作用在X上所获得的信号Y是独立源S的最优逼近，该关系可以通过下式表示： Y = WX = WAS ， A = inv(W)
ICA相比与PCA更能刻画变量的随机统计特性，且能抑制高斯噪声。
从线性代数的角度去理解，PCA和ICA都是要找到一组基，这组基张成一个特征空间，数据的处理就都需要映射到新空间中去。
ICA理论基础：ICA理论基础如下： 1）标准正交基 2）白化 3）梯度下降
ICA目标函数:ICA的目标函数如下：
样本数据 x 经过参数矩阵 W 线性变换后的结果的L1范数，实际上也就是描述样本数据的特征。
加入标准正交性约束（orthonormality constraint）后，ICA独立成分分析相当于求解如下优化问题：
这就是标准正交ICA的目标函数。与深度学习中的通常情况一样，这个问题没有简单的解析解，因此需要使用梯度下降来求解，而由于标准正交性约束，又需要每次梯度下降迭代之后，将新的基映射回正交基空间中，以此保证正交性约束。
ICA优化参数: 针对ICA的目标函数和约束条件，可以使用梯度下降法，并在梯度下降的每一步中增加投影（projecTIon ）步骤，以满足标准正交约束。过程如下：
ICA算法流程：已知信号为S，经混和矩阵变换后的信号为：X=AS。对交叠信号X，求解混矩阵B，使Y=WX各分量尽量相互独立。求解W的过程并不一定是近似A的逆矩阵，Y也不是信号S的近似，而是为了使Y分量之间相互独立。目的是从仅有的观测数据X出发寻找一个解混合矩阵。
常见的方法：InfoMax方法（用神经网络使信息最大化），FasTICA方法（固定点算法，寻求X分量在W上投影（W ）*X）的非高斯最大化。
主要算法流程如下：1、预处理部分：1）对X零均值处理2）球化分解（白化） 乘球化矩阵S，使Z=SX各行正交归一，即ZZ=I
2、核心算法部分：寻求解混矩阵U，使Y=UZ，Y各道数据尽可能独立（独立判据函数G）。1)、由于Y独立，各行必正交。且通常取U保持Y各行方差为1，故U是正交变换。2)、所有算法预处理部分相同，以后都设输入的为球化数据z，寻找正交矩阵U，使Y=Uz独
立。
由于独立判据函数G的不同，以及步骤不同，有不同的独立分量分析法。 3、Fast ICA算法思路： 思路：属于探查性投影追踪
目的：输入球化数据z，经过正交阵U处理，输出Y=Uz1）输入球化数据z，经过正交阵某一行向量ui处理（投影），提取出某一独立分量yi。
2）将此分量除去，按次序依次提取下去，得到所有的yi ，以及ui。 3）得到独立的基向量U U＝WX
Fast ICA算法程序如下：
funcTIon [Out1, Out2, Out3] =fasTIca(mixedsig, varargin)
úSTICA(mixedsig) estimates theindependent components from given % multidimensional signals. Each row ofmatrix mixedsig is one % observed signal.
% = FASTICA (mixedsig); the rows oficasig contain the % estimated independent components.
% = FASTICA (mixedsig); outputs the estimatedseparating % matrix W and the corresponding mixingmatrix A. mixedsig为输入向量，icasig为求解的基向量。 A即为混合矩阵，可以验证mixedsig=Aicasig。 W即为解混矩阵，可以验证icasig=Wmixedsig。 ICA算法优点：1）收敛速度快。
2）并行和分布计算，要求内存小，易于使用。
3）能通过使用一个非线性函数g便能直接找出任何非高斯分布的独立分量。
4）能够通过选择一个适当的非线性函数g而使其达到最佳化。特别是能得到最小方差的算法。
5）仅需要估计几个（不是全部）独立分量，能极大地减小计算量。