Mikä on riippumaton komponenttianalyysi?

Iriippumaton komponenttianalyysi (ICA, Independent Component Analysis) on tilastollinen ja tietokonetekniikka, jonka avulla voidaan paljastaa piilotettuja tekijöitä, jotka ovat satunnaismuuttujien, mittaustulosten tai signaalien joukon taustalla.

ICA määrittelee generatiivisen mallin havaitulle monimuuttujaiselle aineistolle, joka tyypillisesti annetaan suurena tietokantana. Mallissadatamuuttujien oletetaan olevan joidenkin tuntemattomien muuttujien lineaarisia sekoituksia, ja sekoitussysteemi on myös tuntematon. Latenttimuuttujien oletetaan olevan ei-maussisia ja toisistaan riippumattomia, ja niitä kutsutaan havaitun datan riippumattomiksi komponenteiksi. Nämä riippumattomat komponentit, joita kutsutaan myös lähteiksi tai tekijöiksi, voidaan löytää ICA:n avulla.

ICA on pinnallisesti sukua pääkomponenttianalyysille ja faktorianalyysille. ICA on kuitenkin paljon tehokkaampi tekniikka, joka kykenee löytämään taustalla olevat tekijät tai lähteet silloin, kun nämä klassiset menetelmät epäonnistuvat täysin.

ICA:lla analysoitavat tiedot voivat olla peräisin monilta erilaisilta sovellusalueilta, kuten digitaalisista kuvista, asiakirjatietokannoista, taloudellisista indikaattoreista ja psykometrisistä mittauksista.Monissa tapauksissa mittaukset annetaan joukolla rinnakkaisia signaaleja tai aikasarjoja; tästä ongelmasta käytetään termiä sokea lähteiden erottelu. Tyypillisiä esimerkkejä ovat useilla mikrofoneilla vastaanotettujen samanaikaisten puhesignaalien sekoitukset, useiden antureiden tallentamat aivoaallot, matkapuhelimeen saapuvat interferenssisignaalit tai jostain teollisuusprosessista saadut rinnakkaiset aikasarjat.

Lisätietoja ICA:sta löytyy seuraavista linkeistä:

Lyhyt selitys Tutorial paper (myös japaniksi)

ja erityisesti:

Independent Component Analysis: The Book

Voidaksesi todella tehdä ICA:n aineistollesi, voit käyttää

FastICA MATLAB-pakettia

.