Ανάλυση Ανεξάρτητων Διανυσμάτων
Η Ανάλυση Ανεξάρτητων Διανυσμάτων (IVA) αποτελεί μια πολυμεταβλητή επέκταση της Ανάλυσης Ανεξάρτητων Συνιστωσών (ICA) η οποία διαχωρίζει ταυτόχρονα πολλαπλά σύνολα δεδομένων, διατηρώντας τις εξαρτήσεις εντός κάθε συνόλου. Αναπτυγμένη από τους Lee, Lewicki και Sejnowski τη δεκαετία του 2000, η IVA χρησιμοποιείται για τυφλό διαχωρισμό πηγών σε πολυκάναλο ήχο, απεικόνιση εγκεφάλου και επεξεργασία σημάτων. Αξιοποιεί τόσο την ανεξαρτησία μεταξύ των πηγών όσο και τις συσχετίσεις εντός ζωνών συχνοτήτων ή δομών χρόνου-συχνότητας.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Independent Vector Analysis for Multivariate Blind Source Separation. ScholarGate. https://scholargate.app/el/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.
- AmbisonicsΕφαρμοσμένη Φυσική↔ compare
- Συνάρτηση Μεταφοράς Σχετιζόμενη με την ΚεφαλήΕφαρμοσμένη Φυσική↔ compare
- Συντελεστές Κεφστρικής Συχνότητας Mel (MFCC)Εφαρμοσμένη Φυσική↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →