تحلیل بردار مستقل
تحلیل بردار مستقل (IVA) یک بسط چندمتغیره از تحلیل مؤلفههای مستقل است که چندین مجموعه داده را به طور مشترک جدا میکند در حالی که وابستگیهای درون هر مجموعه داده را حفظ میکند. IVA که توسط لی، لوویکی و سژنوفسکی در دهه ۲۰۰۰ توسعه یافته است، برای جداسازی کور منابع در صداهای چندکاناله، تصویربرداری مغزی و پردازش سیگنال استفاده میشود. این روش هم استقلال بین منابع و هم همبستگیها را در باندهای فرکانسی یا ساختارهای زمان-فرکانس بهرهبرداری میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Independent Vector Analysis for Multivariate Blind Source Separation. ScholarGate. https://scholargate.app/fa/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.
- امبیسونیکفیزیک کاربردی↔ compare
- تابع انتقال سر-مرتبط (HRTF)فیزیک کاربردی↔ compare
- ضرایب سِپسترال فرکانس مل (MFCC)فیزیک کاربردی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →