Onafhankelijke Componentenanalyse (ICA)
Onafhankelijke Componentenanalyse (ICA) is een computationele methode voor het scheiden van een multivariate signaal in additieve, statistisch onafhankelijke subcomponenten. Geformaliseerd door Pierre Comon in 1994, werd ICA het fundamentele raamwerk voor blind source separation en wordt het breed toegepast in neuroimaging (fMRI, EEG), spraakverwerking en biomedische signaalanalyse.
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
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Independent Component Analysis (ICA). ScholarGate. https://scholargate.app/nl/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.
- FactoranalyseOnderzoeksstatistiek↔ compare
- Niet-negatieve Matrixfactorisatie (NMF)Machine learning↔ compare
- Singuliere-Waarde-DecompositieNumerieke methoden↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →