Riippumattomien komponenttien analyysi (ICA)
Riippumattomien komponenttien analyysi (ICA) on laskennallinen menetelmä monimuuttujaisen signaalin erottamiseksi additiivisiksi, tilastollisesti riippumattomiksi alikomponenteiksi. Pierre Comonin vuonna 1994 formalisoima ICA muodosti sokean lähde-erottelun (blind source separation) perustan, ja sitä sovelletaan laajalti neurokuvantamisessa (fMRI, EEG), puheenkäsittelyssä ja biomedisessä signalianalyysissä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Independent Component Analysis (ICA). ScholarGate. https://scholargate.app/fi/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.
- FaktorianalyysiTutkimuksen tilastomenetelmät↔ compare
- Ei-negatiivinen matriisihajotelma (NMF)Koneoppiminen↔ compare
- Singular Value DecompositionNumeeriset menetelmät↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →