部分相关源盲分离的稀疏性与自适应性
应用统计
2015-06-23 v1 机器学习
机器学习
摘要
盲源分离（BSS）是一种分析多通道数据的非常流行的技术。在此背景下，数据被建模为待恢复源的线性组合。为此，标准BSS方法都依赖于某种区分原则，无论是统计独立性还是形态多样性，来区分源。然而，处理真实世界数据表明，这些假设在实践中很少成立：感兴趣的信号更可能是部分相关的，这通常妨碍标准BSS方法的性能。在本文中，我们介绍了一种新的稀疏性增强BSS方法，称为自适应形态分量分析（AMCA），旨在恢复稀疏且部分相关的源。更准确地说，它利用自适应重新加权方案来根据样本的相关性水平进行偏好/惩罚。进行了大量数值实验，表明所提出的方法对源的部分相关性具有鲁棒性，而标准BSS技术则失败。AMCA算法在天体物理学领域进行了评估，用于从微波数据中分离物理分量。
引用
@article{arxiv.1412.4005,
title = {Sparsity and adaptivity for the blind separation of partially correlated sources},
author = {Jerome Bobin and Jeremy Rapin and Anthony Larue and Jean-Luc Starck},
journal= {arXiv preprint arXiv:1412.4005},
year = {2015}
}
备注
submitted to IEEE Transactions on signal processing