Onafhankelijke Vectoranalyse
Onafhankelijke Vectoranalyse (IVA) is een multivariate uitbreiding van Onafhankelijke Componentenanalyse die meerdere datasets gezamenlijk scheidt met behoud van afhankelijkheden binnen elke dataset. Ontwikkeld door Lee, Lewicki en Sejnowski in de jaren 2000, wordt IVA gebruikt voor blinde bronnscheiding in meerkanaals audio, hersenscans en signaalverwerking. Het benut zowel de onafhankelijkheid tussen bronnen als correlaties binnen frequentiebanden of tijd-frequentie structuren.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Independent Vector Analysis for Multivariate Blind Source Separation. ScholarGate. https://scholargate.app/nl/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.
- AmbisonicsToegepaste natuurkunde↔ compare
- Head-Related Transfer FunctionToegepaste natuurkunde↔ compare
- MFCC (Mel-Frequency Cepstral Coefficients)Toegepaste natuurkunde↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →