Analiza neovisnih vektora
Analiza neovisnih vektora (IVA) višestruka je proširenja analize neovisnih komponenti koja istovremeno razdvaja više skupova podataka zadržavajući ovisnosti unutar svakog skupa. Razvijena od strane Leeja, Lewickog i Sejnowskog 2000-ih, IVA se koristi za slijepo razdvajanje izvora u višekanalnom zvuku, moždanom slikanju i obradi signala. Iskorištava neovisnost među izvorima i korelacije unutar frekvencijskih pojaseva ili vremensko-frekvencijskih struktura.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Independent Vector Analysis for Multivariate Blind Source Separation. ScholarGate. https://scholargate.app/hr/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.
- AmbisonicsPrimijenjena fizika↔ compare
- Prijenosna funkcija povezana s glavomPrimijenjena fizika↔ compare
- MFCC (Mel-frekvencijski cepstralni koeficijenti)Primijenjena fizika↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →