基于峭度对比代数最优步长迭代最大化的鲁棒独立成分分析
机器学习
2016-11-15 v1
摘要
独立成分分析(ICA)旨在将观测到的随机向量分解为统计独立的变量。基于收缩的实现，如流行的一单元FastICA算法及其变体，逐个提取独立成分。本文提出了一种新的收缩ICA方法，称为RobustICA。这种简单技术包括对峭度对比函数进行精确线搜索优化。沿搜索方向导致对比全局最大值的步长可在四次多项式的根中找到。该多项式求根可以在每次迭代中以代数方式低成本完成。在其他实际好处中，RobustICA可以避免预白化，并同样处理可能非圆源的实值和复值混合。无需预白化提高了渐近性能。该算法对局部极值具有鲁棒性，并且在达到给定源提取质量所需的计算成本方面表现出非常高的收敛速度，特别是对于短数据记录。通过对合成数据的比较数值分析证明了这些特性。RobustICA在处理涉及非圆复强超高斯源的真实世界数据方面的能力通过心房颤动(AF)心电图中心房活动(AA)提取的生物医学问题得到说明，在该问题中它优于另一种基于ICA的技术。
引用
@article{arxiv.1002.3684,
title = {Robust Independent Component Analysis by Iterative Maximization of the Kurtosis Contrast with Algebraic Optimal Step Size},
author = {Vicente Zarzoso and Pierre Comon},
journal= {arXiv preprint arXiv:1002.3684},
year = {2016}
}