正交扩展 Infomax 算法

用于独立分量分析（ICA）的扩展 infomax 算法能够分离亚高斯与超高斯信号，但由于使用随机梯度优化而收敛缓慢。本文提出一种改进扩展 infomax 算法，其收敛速度快得多。加速收敛通过将扩展 infomax 的自然梯度学习规则替换为基于正交群的解混矩阵全乘法更新方案，从而得到正交扩展 infomax 算法（OgExtInf）。将 OgExtInf 的计算性能与两种快速 ICA 算法比较：流行的 FastICA 和属于拟牛顿法家族的 L-BFGS 算法 Picard。我们的结果表明，所提方法在用于在线 EEG 处理系统（如脑机接口或用于棘波与癫痫检测的 clinical 系统）的小尺寸 EEG 数据集上具有优越性能。