用于相关源盲分离的生物学合理行列式最大化神经网络

提取复杂刺激的潜在源对于理解世界至关重要。尽管大脑持续解决这一盲源分离（BSS）问题，其算法仍属未知。先前关于生物学合理BSS算法的研究假设观测信号是统计独立或不相关源的线性混合，限制了这些算法的适用领域。为克服该局限，我们提出了用于潜在依赖/相关源盲分离的新颖生物学合理神经网络。与先前工作不同，我们对源向量假设某些一般的几何而非统计条件，从而允许分离潜在依赖/相关的源。具体地，我们假设源向量在其定义域中充分散布，这可由特定多面体描述。随后，我们考虑通过Det-Max准则恢复这些源，该准则最大化输出相关矩阵的行列式以强制源估计具有类似散布。从这一规范原理出发，并利用能够实现由局部学习规则适应的任意线性变换的加权相似度匹配方法，我们推导出了两层生物学合理神经网络算法，可将混合分离为来自多种源定义域的源。我们证明我们的算法在相关源分离问题上优于其他生物学合理BSS算法。