تحلیل مؤلفههای مستقل (ICA)
تحلیل مؤلفههای مستقل (ICA) یک روش محاسباتی برای جداسازی یک سیگنال چندمتغیره به زیرمولفههای افزایشی و آماری مستقل است. ICA که در سال ۱۹۹۴ توسط پیر کومون فرموله شد، چارچوب بنیادی برای جداسازی کور منابع شد و به طور گسترده در تصویربرداری عصبی (fMRI، EEG)، پردازش گفتار و تحلیل سیگنالهای زیستپزشکی کاربرد دارد.
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
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Independent Component Analysis (ICA). ScholarGate. https://scholargate.app/fa/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.
- Factor Analysisآمار پژوهش↔ compare
- تجزیه ماتریس نامنفی (NMF)یادگیری ماشین↔ compare
- تجزیه مقادیر منفردروشهای عددی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →