Независим векторен анализ
Независимият векторен анализ (IVA) е многовариантно разширение на анализа на независими компоненти, което съвместно разделя множество набори от данни, като същевременно поддържа зависимостите във всеки набор от данни. Разработен от Lee, Lewicki и Sejnowski през 2000-те години, IVA се използва за сляпо разделяне на източници в многоканално аудио, мозъчни изображения и обработка на сигнали. Той използва както независимостта между източниците, така и корелациите в честотните ленти или времево-честотните структури.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- 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. link ↗
- 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. DOI: 10.1109/tasl.2006.872618 ↗
- Comon, P., Jutten, C., & Herault, J. (2010). Blind Separation of Sources, Part II: Problems Statement. IEEE Transactions on Signal Processing, 59(11), 4711-4721. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Independent Vector Analysis for Multivariate Blind Source Separation. ScholarGate. https://scholargate.app/bg/applied-physics/independent-vector-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- АмбисоникаПриложна физика↔ compare
- Предаване на предавателната функция на главата (HRTF)Приложна физика↔ compare
- МФКК (Мел-честотни кепстрални коефициенти)Приложна физика↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →