Skip to content
بازگشت به نتایج جست‌وجو

تحلیل بردار مستقل

معرفی‌شده توسط
Tae-Won Lee, Mark Lewicki, Terrence Sejnowski
سال
2007
نوع
Multivariate matrix decomposition algorithm
خانواده
Blind Source Separation

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل بردار مستقل (IVA) یک بسط چندمتغیره از تحلیل مؤلفه‌های مستقل است که چندین مجموعه داده را به طور مشترک جدا می‌کند در حالی که وابستگی‌های درون هر مجموعه داده را حفظ می‌کند.

IVA که توسط لی، لوویکی و سژنوفسکی در دهه ۲۰۰۰ توسعه یافته است، برای جداسازی کور منابع در صداهای چندکاناله، تصویربرداری مغزی و پردازش سیگنال استفاده می‌شود. این روش هم استقلال بین منابع و هم همبستگی‌ها را در باندهای فرکانسی یا ساختارهای زمان-فرکانس بهره‌برداری می‌کند.

شهود پشت روش

در اثر مهمانی کوکتل، چندین گوینده در یک ضبط تک میکروفون همپوشانی دارند؛ جداسازی کور منابع تلاش می‌کند تا آنها را فقط با استفاده از فرضیات استقلال از هم جدا کند. IVA این را به طور همزمان به چندین میکروفون گسترش می‌دهد: اگر هر گوینده مستقل باشد و هر باند فرکانسی در درون یک گوینده همبسته باشد (ساختار گفتار طبیعی)، IVA می‌تواند هر دو محدودیت را به کار گیرد. این روش استقلال را در سطح چندمتغیره (هر منبع در سراسر فرکانس) اعمال می‌کند در حالی که ساختار منسجم را در درون هر منبع حفظ می‌کند.

تاریخ

IVA از تحقیقات تحلیل مؤلفه‌های مستقل (ICA) در دهه‌های ۱۹۹۰-۲۰۰۰ ظهور کرد. کار بنیادی کومون بر استقلال چندمتغیره، همراه با کاربردهای علوم اعصاب لی، IVA را به عنوان یک ابزار عملی تثبیت کرد. انواع مدرن (ICA گروهی، IVA مرتبط) چارچوب را به ساختارهای پیچیده‌تر گسترش می‌دهند.

چه زمانی استفاده شود

از IVA برای جداسازی کور منابع در صداهای چندکاناله (بهبود گفتار، جداسازی منابع موسیقی)، تحلیل EEG/fMRI (استخراج مؤلفه) و سیستم‌های ارتباطی (تعدیل کانال) استفاده کنید. این روش زمانی ایده‌آل است که منابع دارای ساختار پیچیده باشند (نه فقط استقلال دوتایی) و چندین اندازه‌گیری در دسترس باشد. زمانی که تعداد واقعی منابع ناشناخته است یا زمانی که فرضیات (اختلاط خطی، منابع مستقل) به شدت نقض می‌شوند، از آن اجتناب کنید.

محدودیت‌ها و ملاحظات

  • از نظر محاسباتی برای داده‌های با ابعاد بالا پرهزینه است؛ با تعداد کانال‌ها به خوبی مقیاس‌پذیر نیست
  • نیاز به تخمین دقیق مرتبه مدل (تعداد منابع) دارد؛ بیش‌تخمین نویز اضافه می‌کند، کم‌تخمین منابع را از دست می‌دهد
  • عملکرد زمانی که فرضیات نقض می‌شوند (اختلاط غیرخطی، منابع وابسته) کاهش می‌یابد
  • نیاز به مقداردهی اولیه خوب دارد؛ می‌تواند به حداقل‌های محلی همگرا شود

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • داده‌های چندمتغیره را مدیریت می‌کند؛ هم استقلال و هم ساختار داخلی را بهره‌برداری می‌کند
  • در سناریوهای دنیای واقعی با زیرمنابع همبسته، قوی‌تر از ICA است
  • می‌تواند منابع را حتی زمانی که تا حدی وابسته هستند جدا کند
  • قابل اعمال به دامنه‌های متنوع (صدا، زیست‌پزشکی، ارتباطات)

کاربردها

  • بهبود گفتار و جداسازی گوینده در آرایه‌های چند میکروفونی
  • جداسازی منابع موسیقی برای بازترکیب و پردازش صدا
  • استخراج مؤلفه EEG/fMRI در تحقیقات علوم اعصاب
  • تخمین کور کانال در سیستم‌های ارتباطی

چگونه کار می‌کند

چگونه کار می‌کند

1

ضبط صداهای چندکاناله (چندین میکروفون) یا داده‌های چندبعدی (کانال‌های EEG، ماتریس‌های فرکانس-زمان).

2

داده‌های چندکاناله را در یک ماتریس مشاهده انباشته کنید؛ ماتریس اختلاط را با استفاده از ICA یا مقداردهی اولیه دیگر تخمین بزنید.

فرمول
\mathbf{X} = \mathbf{A} \mathbf{S}, \quad \text{X: mixed signals, A: mixing matrix, S: sources}
3

IVA را به عنوان یک بهینه‌سازی مشترک فرموله کنید: یک ماتریس جداسازی W پیدا کنید به طوری که منابع مستقل باشند (اطلاعات متقابل کم).

فرمول
\min_{\mathbf{W}} \sum_k D(\mathbf{w}_k^T \mathbf{s}, P_k)
4

W را به طور تکراری با استفاده از نزول گرادیان یا روش‌های شبه نیوتن به‌روزرسانی کنید؛ استقلال را از طریق توابع کنتراست و حداقل‌سازی اطلاعات متقابل اعمال کنید.

فرمول
\mathbf{W} = \mathbf{A}^{-1}, \quad \hat{\mathbf{S}} = \mathbf{W} \mathbf{X}
5

استخراج و شناسایی منابع؛ با بررسی استقلال و معقول بودن منابع اعتبارسنجی کنید.

دام‌های رایج

  • استفاده از ICA به جای IVA زمانی که ساختار چندمتغیره مهم است؛ نادیده گرفتن همبستگی‌های فرکانسی اطلاعات را هدر می‌دهد
  • بیش‌برازش تابع کنتراست به نویز؛ ممکن است به تنظیم‌کننده نیاز باشد
  • ابهام جایگشت را اشتباه شناسایی می‌کند؛ ترتیب منابع اختیاری است و نیاز به برچسب‌گذاری مجدد پس از واقعیت دارد

پرسش‌های متداول

تفاوت ICA و IVA چیست؟

ICA هر جعبه فرکانسی را به طور مستقل در نظر می‌گیرد (فرض می‌کند هیچ همبستگی در درون منابع در سراسر فرکانس وجود ندارد). IVA جعبه‌های فرکانسی (بردارها) را گروه‌بندی می‌کند و استقلال را در سطح بردار اعمال می‌کند و ساختار را حفظ می‌کند. IVA برای گفتار و موسیقی که در آن جعبه‌های فرکانسی در درون یک گوینده همبسته هستند، بهتر عمل می‌کند.

چگونه تعداد منابع را تعیین کنم؟

این مسئله انتخاب مرتبه مدل است. روش‌ها شامل تحلیل مقادیر ویژه ماتریس کوواریانس، معیارهای اطلاعاتی (AIC، BIC)، یا دانش دامنه است. کم‌تخمین منابع را از دست می‌دهد؛ بیش‌تخمین مؤلفه‌های جعلی اضافه می‌کند.

چرا IVA در هر بار اجرا به راه‌حل‌های متفاوتی همگرا می‌شود؟

IVA یک مسئله بهینه‌سازی غیرمحدب با حداقل‌های محلی متعدد است. مقداردهی اولیه خوب و تنظیم دقیق هایپرپارامترها کمک می‌کنند. برخی پیاده‌سازی‌ها از چندین شروع تصادفی استفاده می‌کنند و بهترین را انتخاب می‌کنند.

روش‌های مرتبط

منابع

  1. Lee, T. W., Lewicki, M. S., & Sejnowski, T. J. (2007). Independent Component Analysis for Source Localization in Biomedical Signals. In Proc. IEEE Int. Conf. Acoust. Speech Signal Process., pp. 97-100.

    باز کردن مرجع انتشار
    کپی شد.
  2. Kim, T., Attias, H. T., Lee, S. Y., & Lee, T. W. (2006). Blind source separation exploiting higher-order frequency dependencies. IEEE Transactions on Audio, Speech, and Language Processing, 15(1), 70-79.

    باز کردن مرجع DOI
    کپی شد.
  3. Comon, P., Jutten, C., & Herault, J. (2010). Blind Separation of Sources, Part II: Problems Statement. IEEE Transactions on Signal Processing, 59(11), 4711-4721.

    باز کردن مرجع انتشار
    کپی شد.