Independent Component Analysis (ICA)
Independent Component Analysis (ICA) är en beräkningsmetod för att separera en multivariat signal i additiva, statistiskt oberoende delkomponenter. ICA, som formaliserades av Pierre Comon 1994, blev det grundläggande ramverket för blind källseparation och tillämpas brett inom neuroavbildning (fMRI, EEG), talbehandling och biomedicinsk signalanalys.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Independent Component Analysis (ICA). ScholarGate. https://scholargate.app/sv/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.
- Faktoriell analysForskningsstatistik↔ compare
- Icke-negativ matris-faktorisering (NMF)Maskininlärning↔ compare
- SingulärvärdesuppdelningNumeriska metoder↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →