Uafhængig komponentanalyse (ICA)
Uafhængig komponentanalyse (ICA) er en beregningsmetode til at adskille et multivariat signal i additive, statistisk uafhængige subkomponenter. Formaliseret af Pierre Comon i 1994, blev ICA det grundlæggende rammeværk for blind kildeseparation og anvendes bredt inden for neuroimaging (fMRI, EEG), talbehandling og biomedicinsk signalanalyse.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Comon, P. (1994). Independent component analysis, a new concept? Signal Processing, 36(3), 287–314. DOI: 10.1016/0165-1684(94)90029-9 ↗
- Hyvärinen, A., Karhunen, J., & Oja, E. (2001). Independent Component Analysis. Wiley. ISBN: 978-0-471-40540-5
Sådan citerer du denne side
ScholarGate. (2026, June 3). Independent Component Analysis (ICA). ScholarGate. https://scholargate.app/da/machine-learning/independent-component-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.
- FaktoranalyseForskningsstatistik↔ compare
- Non-negativ Matrixfaktorisering (NMF)Maskinlæring↔ compare
- Singulær Værdi DekompositionNumeriske metoder↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →