A Semiparametric Approach to Source Separation using Independent Component Analysis.
A Semiparametric Approach to Source Separation using Independent Component Analysis.
复制标题
DOI：
10.1016/j.csda.2012.09.012
复制
发表时间：
2013-02
影响因子：
1.8
通讯作者：
Ghosh, Sujit K.
中科院分区：
文献类型：
--
作者：
Eloyan, Ani;Ghosh, Sujit K.
使用较低维隐藏结构的数据处理和源识别在应用程序的许多领域中起着至关重要的作用，包括图像处理，神经网络，基因组研究，信号处理以及其他经常遇到大型数据集的领域。使用较低尺寸结构的源分离的常见方法之一涉及使用独立的组件分析，该分析基于独立的隐藏源的线性表示。因此，问题涉及对线性混合矩阵的估计以及独立隐藏源的密度。但是，解决问题的解决方案取决于来源的可识别性。本文首先提出了一组足够的条件，可以使用隐藏源变量的矩限制来建立源和混合矩阵的可识别性。在如此充分的条件下，使用一类混合分布获得混合矩阵的半参数最大似然估计。我们提出的估计的一致性是在其他规律条件下建立的。说明了所提出的方法，并将使用模拟和真实数据集与现有方法进行了比较。
Data processing and source identification using lower dimensional hidden structure plays an essential role in many fields of applications, including image processing, neural networks, genome studies, signal processing and other areas where large datasets are often encountered. One of the common methods for source separation using lower dimensional structure involves the use of Independent Component Analysis, which is based on a linear representation of the observed data in terms of independent hidden sources. The problem thus involves the estimation of the linear mixing matrix and the densities of the independent hidden sources. However, the solution to the problem depends on the identifiability of the sources. This paper first presents a set of sufficient conditions to establish the identifiability of the sources and the mixing matrix using moment restrictions of the hidden source variables. Under such sufficient conditions a semi-parametric maximum likelihood estimate of the mixing matrix is obtained using a class of mixture distributions. The consistency of our proposed estimate is established under additional regularity conditions. The proposed method is illustrated and compared with existing methods using simulated and real data sets.
登录
查看更多内容
影响因子：
5.7
作者：
Eilers, PHC;Marx, BD
通讯作者：
Marx, BD
影响因子：
--
作者：
Boscolo, R;Pan, H;Roychowdhury, VP
通讯作者：
Roychowdhury, VP
影响因子：
2.9
作者：
Amari, S
通讯作者：
Amari, S
影响因子：
2.4
作者：
Kom치rek, A;Lesaffre, E;Hilton, JF
通讯作者：
Hilton, JF
影响因子：
4.4
作者：
JUTTEN, C;HERAULT, J
通讯作者：
HERAULT, J