Wat is Independent Component Analysis?

Independent Component Analysis (ICA) is een statistische en computationele techniek voor het onthullen van verborgen factoren die ten grondslag liggen aan reeksen willekeurige variabelen, metingen of signalen.

ICA definieert een generatief model voor de waargenomen multivariate gegevens, die gewoonlijk worden gegeven als een grote database van monsters. In het model wordt aangenomen dat de gegevensvariabelen lineaire mengsels zijn van enkele onbekende latente variabelen, en het mengsysteem is ook onbekend. De latente variabelen worden verondersteld niet-gaussisch en onderling onafhankelijk te zijn, en zij worden de onafhankelijke componenten van de waargenomen gegevens genoemd. Deze onafhankelijke componenten, ook bronnen of factoren genoemd, kunnen worden gevonden door ICA.

ICA is oppervlakkig verwant met principale componentenanalyse en factoranalyse. ICA is echter een veel krachtiger techniek, die in staat is de onderliggende factoren of bronnen te vinden wanneer deze klassieke methoden volledig falen.

De door ICA geanalyseerde gegevens kunnen afkomstig zijn uit vele verschillende toepassingsgebieden, waaronder digitale beelden, documentdatabases, economische indicatoren en psychometrische metingen.In veel gevallen worden de metingen gegeven als een verzameling parallelle signalen of tijdreeksen; de term blinde bronscheiding wordt gebruikt om dit probleem te karakteriseren. Typische voorbeelden zijn mengsels van gelijktijdige spraaksignalen die zijn opgepikt door verschillende microfoons, hersengolven opgenomen door meerdere sensoren, interferingradiosignalen die aankomen op een mobiele telefoon, of parallelle tijdreeksen verkregen uit een of ander industrieel proces.

Meer informatie over ICA is te vinden onder de volgende links:

Korte uitleg Tutorial paper (ook in het Japans)

en in het bijzonder:

Independent Component Analysis: Het boek

Om ICA daadwerkelijk op uw gegevens toe te passen, kunt u gebruik maken van het MATLAB-pakket

FastICA

.