服装道具制作
⽋定盲源分离matlab代码_「⽕炉炼AI」机器学习054-⽤ICA做 盲源分离
【⽕炉炼AI】机器学习054-⽤ICA做盲源分离
【⽕炉炼AI】机器学习054-⽤ICA做盲源分离
(本⽂所使⽤的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )
盲源分离是指在信号的理论模型和源信号⽆法精确获知的情况下，如何从混叠信号中分离出各源信号的过程。盲源分离的⽬的是求得源信号 的最佳估计。说的通俗⼀点，就相当于，假如有⼗个⼈同时说话，我⽤录⾳机把他们说的话都录下来，得到的肯定是10种声⾳的混杂，那 么怎么将这种混杂声⾳分离成单个⼈的说话声⾳？解决类似这种问题就是盲源分离。
独⽴成分分析(Independent Components Analysis, ICA)解决的是原始数据分解的问题，常常⽤于盲源分离问题中。在我上⼀篇⽂章【⽕
炉炼AI】机器学习053-数据降维绝招-PCA和核PCA中提到PCA虽然具有各种优点，但是也有⼏个缺点，⽐如不能对⾮线性组织的数据集
降维，针对这个缺点解决⽅法是⽤核PCA代替PCA，另外⼀个缺点是不能⽤于解决数据集不满⾜⾼斯分布的情况，这种情况的数据降维要
⽤独⽴成分分析ICA来完成。
独⽴成分分析师从多维统计数据中寻潜在因⼦或成分的⼀种⽅法，ICA与PCA等降维⽅法的区别在于，它寻满⾜统计独⽴和⾮⾼斯的成
分。其数学原理和逻辑可以参考博⽂：独⽴成分分析ICA系列2：概念、应⽤和估计原理
1. 加载数据集
⾸先加载数据集，本次所⽤的数据集位于⽂件mixture_中，这个⽂件中有四列数据，代表四个不同的信号源，共2000个样
本
data_path="E:PyProjectsDataSetFireAImixture_"ad_csv(data_path,header=None,sep=' ')print(df.info()) # 查看数据信息，确保没有错误print(d 绘图后，可以看出这些数据的分布情况：
高频发生器插销螺母2. ⽤传统PCA来分离信号
假如我们⽤PCA来进⾏盲源分离，可以看看效果怎么样，代码为：
电极丝# 如果⽤PCA来进⾏分离，看看结果如何from sklearn.decomposition import PCApca = PCA(n_components=4)pca_dataset_X = pca.fit_transform(dataset_X) pd.Da
上⾯虽然绘制了PCA分离之后的各种信号，但是信号夹杂在⼀起难以分辨，故⽽我编写了⼀个函数将其分开显⽰声音定位系统
def plot_dataset_X(dataset_X): rows,cols=dataset_X.shape plt.figure(figsize=(15,20)) for i in range(cols): plt.subplot(cols,1,i+1) plt.title('Signal_'+str(i)) plt.p
3. ⽤ICA来分离信号
下⾯看看⽤独⽴成分分析⽅法得到的分离后信号：
# 如果⽤ICA进⾏信号分离from sklearn.decomposition import FastICAica = FastICA(n_components=4)ica_dataset_X = ica.fit_transform(dataset_X)pd.DataFrame(
同理，为了显⽰⽅便，将各种信号单独画图，如下：
可以看出，经过ICA分离之后得到的信号⾮常有规律，⽽PCA分离后的信号有些杂乱，表⾯ICA的盲源分离效果较好。
>>>>####⼩**********结>>>>>>#1，⽤ICA可以解决盲源分离问题，所得到的分离效果要⽐PCA要好得多。
2，实际上，⽣活中的真实数据集⼤部分都不是服从⾼斯分布，它们⼀般服从超⾼斯分布或亚⾼斯分布，故⽽很多问题⽤PCA得到的效果不太理想，返回⽤ICA能够得到⽐较好的结果。银行门
>>>>>>>>>>>>>注：本部分代码已经全部上传到(我的github)上，欢迎下载。
参考资料:
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议