Neatkarīgā vektoru analīze
Neatkarīgā vektoru analīze (IVA) ir neatkarīgās komponentu analīzes (ICA) daudzdimensiju paplašinājums, kas vienlaikus atdala vairākas datu kopas, saglabājot atkarības katrā datu kopā. IVA, ko 2000. gados izstrādāja Lī, Levikis un Sejnovskis, tiek izmantota aklai avotu atdalīšanai daudzkanālu audio, smadzeņu attēlveidošanā un signālu apstrādē. Tā izmanto gan neatkarību starp avotiem, gan korelācijas frekvenču joslās vai laika-frekvences struktūrās.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Independent Vector Analysis for Multivariate Blind Source Separation. ScholarGate. https://scholargate.app/lv/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.
- AmbisonicsLietišķā fizika↔ compare
- Galvas radītā pārvades funkcijaLietišķā fizika↔ compare
- MFCC (Mel-Frequency Cepstral Coefficients)Lietišķā fizika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →