FASTICA算法如何选择初始权向量

Antilogy 2009-04-21 10:59:17

fastICA算法如下：
1.选择需要估计的独立成分个数m，设迭代次数为P
2.选择一个初始权向量Wp
............................................
后面就不写了，很想知道初始权向量如何选择，是怎么做出来的

前面的数据白化过程，选择PCA，或者是通用的那种

数据白化和这个有什么关系吗？

...全文

140 6 打赏收藏转发到动态举报

写回复

6 条回复

切换为时间正序

请发表友善的回复…

发表回复

alsh061224121 2012-06-28

打赏
举报

回复

是随机生成，但最好有些限制，有助于之后算法的简化，比如让初始权向量的范数规范为1,。另外，还有专门设计初始权向量的算法，为的是收敛更快速稳健，不过比较复杂

Antilogy 2009-04-22

打赏
举报

回复

现在知道了，是随机生成的，难怪我找不到，呵呵

zjhiphop2006 2009-04-21

打赏
举报

回复

没研究过，不过很想学学。。。

nn360697589 2009-04-21

打赏
举报

回复

顶

mumu_java 2009-04-21

打赏
举报

回复

没研究过这个算法。

gengzhw 2009-04-21

打赏
举报

回复

不懂这个算法，很专业的帮顶了

1、对观测数据进行中心化，； 2、使它的均值为0，对数据进行白化—>Z； 3、选择需要估计的分量的个数m，设置迭代次数p<-1 4、选择一个初始权矢量（随机的W，使其维数为Z的行向量个数）； 5、利用迭代W(i,p)=mean(z(i,:).*(tanh((temp) *z)))-(mean(1-(tanh((temp)) *z).^2)).*temp(i,1)来学习W （这个公式是用来逼近负熵的） 6、用对称正交法处理下W 7、归一化W(:,p)=W(:,p)/norm(W(:,p)) 8、若W不收敛，返回第5步 9、令p=p+1，若p小于等于m,返回第4步剩下的应该都能看懂了基本就是基于负熵最大的快速独立分量分析算法

1、对观测数据进行中心化，； 2、使它的均值为0，对数据进行白化—>Z； 3、选择需要估计的分量的个数m，设置迭代次数p<-1; 4、选择一个初始权矢量（随机的W，使其维数为Z的行向量个数）； 5、利用迭代W(i,p)=mean(z(i,:).*(tanh((temp)'*z)))-(mean(1-(tanh((temp))'*z).^2)).*temp(i,1)来学习W （这个公式是用来逼近负熵的） 6、用对称正交法处理下W 7、归一化W(:,p)=W(:,p)/norm(W(:,p)); 8、若W不收敛，返回第5步 9、令p=p+1，若p小于等于m,返回第4步剩下的应该都能看懂了基本就是基于负熵最大的快速独立分量分析算法

1. 概念官方解释：利用统计原理进行计算的方法，是一种线性变换。 ICA分为基于信息论准则的迭代算法和基于统计学的代数方法两大类，如FastICA算法，Infomax算法，最大似然估计算法等。这里主要讨论FastICA算法。先来看ICA和PCA的区别：PCA是降维并提取不相关属性，而ICA是降维并提取相互独立的属性(不相关不一定独立，独立一定不相关。不相关是指没有线性关系，独立是指...

实验2：FastICA算法一．算法原理：独立分量分析（ICA）的过程如下图所示：在信源中各分量相互独立的假设下，由观察通过结婚系统把他们分离开来，使输出逼近。图1-ICA的一般过程 ICA算法的研究可分为基于信息论准则的迭代估计方法和基于统计学的代数方法两大类，从原理上来说，它们都是利用了源信号的独立性和非高斯性。基于信息论的方法研究中，各国学者从最大熵、最小互信息、最大似然和负

近几年出现了一种快速ICA算法(Fast ICA)，该算法是基于定点递推算法得到的，它对任何类型的数据都适用，同时它的存在对运用ICA分析高维的数据成为可能。是一种快速寻优迭代算法，与普通的神经网络算法不同的是这种算法采用了批处理的方式，即在每一步迭代中有大量的样本数据参与运算。是一种快速寻优迭代算法，与普通的神经网络算法不同的是这种算法采用了批处理的方式，即在每一步迭代中有大量的样本数据参与运算。通常情况下，数据进行白化处理与不对数据进行白化处理相比，算法的收敛性较好，有更好的稳定性。

81,092

社区成员

341,717

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章