Незалежний векторний аналіз
Незалежний векторний аналіз (IVA) — це багатовимірне розширення аналізу незалежних компонентів, яке спільно розділяє кілька наборів даних, зберігаючи залежності в межах кожного набору даних. Розроблений Лі, Левіцьким і Сейновським у 2000-х роках, IVA використовується для сліпого розділення джерел у багатоканальному аудіо, візуалізації мозку та обробці сигналів. Він використовує як незалежність між джерелами, так і кореляції в межах частотних діапазонів або часово-частотних структур.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Independent Vector Analysis for Multivariate Blind Source Separation. ScholarGate. https://scholargate.app/uk/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.
- АмбісонікаПрикладна фізика↔ compare
- Перетворення передавальної функції голови (HRTF)Прикладна фізика↔ compare
- Мел-частотні кепстральні коефіцієнти (MFCC)Прикладна фізика↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →