
Разделение смешанных сигналов на статистически независимые источники.Независимый компонентный анализ (ICA) — это вычислительный метод разделения многомерного сигнала на аддитивные подкомпоненты, предполагающий, что подкомпоненты негауссовы и статистически независимы друг от друга. Он наиболее известен решением «проблемы коктейльной вечеринки»: выделением одного голоса из записи нескольких перекрывающихся разговоров. ICA является краеугольным камнем слепого разделения источников, когда ни источники, ни процесс смешивания заранее неизвестны.
ICA был формально введен в 1980-х и 1990-х годах, с ключевым вкладом Пьера Комона (1994), который определил проблему, и Аапо Хювяринена и Эркки Ойи, разработавших алгоритм FastICA в 1997 году.
ICA моделирует наблюдаемые сигналы как линейную смесь неизвестных независимых источников. Алгоритм ищет линейное преобразование, которое максимизирует статистическую независимость получаемых компонентов. Независимость обычно измеряется негауссовостью, поскольку смеси независимых переменных стремятся к гауссовым распределениям (по центральной предельной теореме). ICA итеративно корректирует преобразование, чтобы максимизировать такую меру, как эксцесс или негэнтропия, тем самым восстанавливая исходные источники с точностью до масштаба и перестановки.
ICA используется в нейровизуализации (ЭЭГ и фМРТ) для выделения нейронных сигналов из артефактов, в финансах для выявления скрытых факторов в доходности акций, а также в обработке аудио для разделения смешанных записей.
ICA может разделить двух людей, говорящих одновременно в комнате, используя только два микрофона, даже если каждый микрофон улавливает смесь обоих голосов.





