Independent Vector Analysis
Independent Vector Analysis (IVA) ist eine multivariate Erweiterung der Independent Component Analysis, die mehrere Datensätze gemeinsam trennt und dabei Abhängigkeiten innerhalb jedes Datensatzes beibehält. IVA wurde in den 2000er Jahren von Lee, Lewicki und Sejnowski entwickelt und wird für die blinde Quellentrennung in Mehrkanal-Audioanwendungen, Hirnbildgebung und Signalverarbeitung eingesetzt. Es nutzt sowohl die Unabhängigkeit zwischen Quellen als auch Korrelationen innerhalb von Frequenzbändern oder Zeit-Frequenz-Strukturen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Independent Vector Analysis for Multivariate Blind Source Separation. ScholarGate. https://scholargate.app/de/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.
- AmbisonicsAngewandte Physik↔ compare
- Kopfbezogene ÜbertragungsfunktionAngewandte Physik↔ compare
- MFCC (Mel-Frequenz-Cepstral-Koeffizienten)Angewandte Physik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →