| http://dbpedia.org/ontology/abstract
|
在统计学中，独立成分分析或独立分量分析（Independent components analysis，缩写：ICA） 是一种利用统计原理进行计算的方法。它是一个线性变换。这个变换把数据或信号分离成统计独立的非高斯的信号源的线性组合。独立成分分析是盲信号分离（Blind source separation）的一种特例。
, L'analisi delle componenti indipendenti, a … L'analisi delle componenti indipendenti, anche nota con l'acronimo inglese ICA (che sta per Independent component analysis) è un metodo di elaborazione computazionale che serve per separare un segnale multivariante nelle sue sotto-componenti additive, assumendo che esista una mutua indipendenza statistica della sorgente dei segnali non Gaussiani. Si tratta di un caso particolare della ("separazione alla cieca delle sorgenti").("separazione alla cieca delle sorgenti").
, In signal processing, independent componen … In signal processing, independent component analysis (ICA) is a computational method for separating a multivariate signal into additive subcomponents. This is done by assuming that at most one subcomponent is Gaussian and that the subcomponents are statistically independent from each other. ICA is a special case of blind source separation. A common example application is the "cocktail party problem" of listening in on one person's speech in a noisy room.in on one person's speech in a noisy room.
, 独立成分分析（どくりつせいぶんぶんせき、英: independent component analysis、ICA）は、多変量の信号を複数の加法的な成分に分離するための計算手法である。各成分は、ガウス的でない信号で相互に統計的独立なものを想定する。これはブラインド信号分離の特殊な場合である。
, Oberoende komponentanalys (engelska: Indep … Oberoende komponentanalys (engelska: Independent component analysis (ICA)) är en metod inom signalbehandling för att separera multivariata signaler till additiva delkomponenter. Detta görs genom att anta att delkomponenterna är icke-gaussiska signaler och att de alla är statistiskt oberoende av varandra. ICA är ett specialfall av blind källseparering (engelska: blind source separation).ering (engelska: blind source separation).
, 독립 성분 분석(Independent Component Analysis, ICA)은 다변량의 신호를 통계적으로 독립적인 하부 성분으로 분리하는 계산 방법이다. 각 성분은 비 가우스 성 신호로서 서로 통계적 독립을 이루는 성분으로 구성되어 있다. 독립 성분 분석은 블라인드 신호를 분리하는 특별한 방법이다.
, تحليل المكونات المستقلةهي طريقة لفصل مجموع … تحليل المكونات المستقلةهي طريقة لفصل مجموعة من الإشارات، باعتبار إن الإشارات مستقلة إحصائياً عن بعضها .لتوضيح الفكرة أكثر سوف نعرضها بمثال مبسط و هو وجود أشخاص كثيرة في حجرة و علينا فصل هذه الأصوات. في هذه الدراسة سنعرض طريقة تحليل المكونات (العناصر) المستقلة في فصل إشارة كهربية المخ عن الإشارات الناتجة عن حركات العين التي تؤثر بدرجة كبيرة على القياس السليم لإشارة كهربية المخ . Progress in Natural Science.كهربية المخ . Progress in Natural Science.
, Die Unabhängigkeitsanalyse bzw. Independen … Die Unabhängigkeitsanalyse bzw. Independent Component Analysis (ICA) ist eine Methode der multivariaten Statistik. Sie wurde 1991 veröffentlicht und dient der Berechnung unabhängiger Komponenten in einer Mischung statistisch unabhängiger Zufallsvariablen. Sie ist nahe verwandt mit dem -Problem (BSS). ist nahe verwandt mit dem -Problem (BSS).
, L'analyse en composantes indépendantes (en … L'analyse en composantes indépendantes (en anglais, independent component analysis ou ICA) est une méthode d'analyse des données (voir aussi Exploration de données) qui relève des statistiques, des réseaux de neurones et du traitement du signal. Elle est notoirement et historiquement connue en tant que méthode de séparation aveugle de source mais a par suite été appliquée à divers problèmes. Les contributions principales ont été rassemblées dans un ouvrage édité en 2010 par P.Comon et C.Jutten.age édité en 2010 par P.Comon et C.Jutten.
, Анализ независимых компонент (АНК, англ. I … Анализ независимых компонент (АНК, англ. Independent Component Analysis, ICA), называемый также Метод независимых компонент (МНК) — это вычислительный метод в обработке сигналов для разделения сигнала на аддитивные подкомпоненты. Этот метод применяется при предположении, что подкомпоненты являются негауссовыми сигналами и что они статистически независимы друг от друга. АНК является специальным случаем слепого разделения сигнала. Типичным примером приложения является задача вечеринки с коктейлем — когда люди на шумной вечеринке выделяют голос собеседника, несмотря на громкую музыку и шум людей в помещении: мозг способен фильтровать звуки и сосредотачиваться на одном источнике (голос визави) в реальном времени.точнике (голос визави) в реальном времени.
, Η Ανάλυση ανεξάρτητων συνιστωσών (Independ … Η Ανάλυση ανεξάρτητων συνιστωσών (Independent Component Analysis) είναι μια υπολογιστική μέθοδος για το διαχωρισμό ενός πολυμεταβλητού σήματος σε προσθετικές υποσυνιστώσες υποθέτοντας την κοινή της μη-Γκαουσιανής πηγής σημάτων. Είναι μια ειδική περίπτωση (blind source separation).ιδική περίπτωση (blind source separation).
, El análisis de componentes independientes … El análisis de componentes independientes (ACI) (en inglés ICA) es un método computacional que sirve para separar una señal multivariante en subcomponentes aditivos suponiendo que la señal de origen tiene una independencia estadística y es no-Gausiana. Éste es un caso especial de separación ciega de las señales. El análisis de componentes independientes (ACI) es una generalización del análisis de componentes principales (ACP), en ambos casos se practica una transformación lineal de los datos originales, aunque la diferencia básica es que el ACI no requiere que las variables originales tengan una distribución gausiana.iginales tengan una distribución gausiana.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Independent_component_analysis_in_EEGLAB.png?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
http://www.nbtwiki.net/doku.php%3Fid=tutorial:compute_independent_component_analysis +
, http://www.cis.hut.fi/projects/ica/fastica/ +
, http://icatb.sourceforge.net/ +
, https://web.archive.org/web/20060630205321/http:/www.bsp.brain.riken.go.jp/ICALAB/ +
, http://nic.uoregon.edu/projects/hipersat/index.php +
, https://web.archive.org/web/20070613191045/http:/isp.imm.dtu.dk/toolbox/ +
, http://sccn.ucsd.edu/eeglab/ +
, http://www.cs.helsinki.fi/u/ahyvarin/whatisica.shtml +
, http://www.cs.helsinki.fi/u/ahyvarin/papers/NN00new.pdf +
, http://sccn.ucsd.edu/fmrlab/ +
, http://brandon-merkl.blogspot.com/2005/12/independent-component-analysis.html +
, https://arxiv.org/abs/1404.2986 +
, http://www.cis.hut.fi/projects/ica/book/intro.pdf +
, http://www.cis.hut.fi/projects/ica/cocktail/cocktail_en.cgi +
, http://www.cis.hut.fi/aapo/papers/IJCNN99_tutorialweb/IJCNN99_tutorial3.html +
, http://www.cis.hut.fi/projects/ica/book/ +
, http://mdp-toolkit.sourceforge.net/ +
, https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/MELODIC +
, http://mlsp.cs.cmu.edu/courses/fall2012/lectures/ICA.pdf +
|
| http://dbpedia.org/ontology/wikiPageID
|
598031
|
| http://dbpedia.org/ontology/wikiPageLength
|
43204
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1121158108
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Factorial_code +
, http://dbpedia.org/resource/Factor_analysis +
, http://dbpedia.org/resource/Nonlinear_ICA +
, http://dbpedia.org/resource/Internet_resource_management +
, http://dbpedia.org/resource/Multi-cluster_assignment +
, http://dbpedia.org/resource/Rank_%28linear_algebra%29 +
, http://dbpedia.org/resource/FastICA +
, http://dbpedia.org/resource/Signal_processing +
, http://dbpedia.org/resource/RNA-sequencing +
, http://dbpedia.org/resource/Resting_state_fMRI +
, http://dbpedia.org/resource/Terry_Sejnowski +
, http://dbpedia.org/resource/Variance +
, http://dbpedia.org/resource/Negentropy +
, http://dbpedia.org/resource/Cell_%28biology%29 +
, http://dbpedia.org/resource/Gradient_descent +
, http://dbpedia.org/resource/Erkki_Oja +
, http://dbpedia.org/resource/Cocktail_party_problem +
, http://dbpedia.org/resource/Eigenvalue_decomposition +
, http://dbpedia.org/resource/Infomax +
, http://dbpedia.org/resource/Probability_density_function +
, http://dbpedia.org/resource/SAS_language +
, http://dbpedia.org/resource/Entropy +
, http://dbpedia.org/resource/Kernel-independent_component_analysis +
, http://dbpedia.org/resource/Jacobian_matrix +
, http://dbpedia.org/resource/Principal_component_analysis +
, http://dbpedia.org/resource/FMRI +
, http://dbpedia.org/resource/Singular_value_decomposition +
, http://dbpedia.org/resource/EEG +
, http://dbpedia.org/resource/Branch_and_bound +
, http://dbpedia.org/resource/RIKEN +
, http://dbpedia.org/resource/Dimension_reduction +
, http://dbpedia.org/resource/Blind_deconvolution +
, http://dbpedia.org/resource/Category:Dimension_reduction +
, http://dbpedia.org/resource/Varimax_rotation +
, http://dbpedia.org/resource/Network_tomography +
, http://dbpedia.org/resource/Regularization_%28mathematics%29 +
, http://dbpedia.org/resource/Projection_pursuit +
, http://dbpedia.org/resource/Nonlinear_dimensionality_reduction +
, http://dbpedia.org/resource/Multivariate_statistics +
, http://dbpedia.org/resource/Medical_diagnosis +
, http://dbpedia.org/resource/Blind_signal_separation +
, http://dbpedia.org/resource/Principle_of_maximum_entropy +
, http://dbpedia.org/resource/Blind_source_separation +
, http://dbpedia.org/resource/Hilbert_spectrum +
, http://dbpedia.org/resource/Differential_entropy +
, http://dbpedia.org/resource/Electroencephalogram +
, http://dbpedia.org/resource/Whitening_transformation +
, http://dbpedia.org/resource/Dimensionality_reduction +
, http://dbpedia.org/resource/Central_limit_theorem +
, http://dbpedia.org/resource/Maximum_likelihood +
, http://dbpedia.org/resource/Non-negative_matrix_factorization +
, http://dbpedia.org/resource/Category:Signal_estimation +
, http://dbpedia.org/resource/Scikit-learn +
, http://dbpedia.org/resource/Round_number +
, http://dbpedia.org/resource/Random_vector +
, http://dbpedia.org/resource/Sample_mean +
, http://dbpedia.org/resource/Kurtosis +
, http://dbpedia.org/resource/Mutual_information +
, http://dbpedia.org/resource/J%C3%BCrgen_Schmidhuber +
, http://dbpedia.org/resource/Kullback%E2%80%93Leibler_divergence +
, http://dbpedia.org/resource/Image_processing +
, http://dbpedia.org/resource/Pseudo_inverse +
, http://dbpedia.org/resource/File:A-Local-Learning-Rule-for-Independent-Component-Analysis-srep28073-s3.ogv +
, http://dbpedia.org/resource/Statistical_independence +
, http://dbpedia.org/resource/File:Independent_component_analysis_in_EEGLAB.png +
, http://dbpedia.org/resource/Central_Limit_Theorem +
, http://dbpedia.org/resource/Gram-Schmidt +
, http://dbpedia.org/resource/Cumulative_distribution_functions +
, http://dbpedia.org/resource/JADE_%28ICA%29 +
, http://dbpedia.org/resource/FMRIB_Software_Library +
, http://dbpedia.org/resource/Dynamic_programming +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Machine_learning +
, http://dbpedia.org/resource/Template:Colbegin +
, http://dbpedia.org/resource/Template:More_citations_needed +
, http://dbpedia.org/resource/Template:Colend +
, http://dbpedia.org/resource/Template:Citation_needed +
, http://dbpedia.org/resource/Template:ISBN +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Portal +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Signal_estimation +
, http://dbpedia.org/resource/Category:Dimension_reduction +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Method +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Independent_component_analysis?oldid=1121158108&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Independent_component_analysis_in_EEGLAB.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Independent_component_analysis +
|
| owl:sameAs |
http://ar.dbpedia.org/resource/%D8%AA%D8%AD%D9%84%D9%8A%D9%84_%D8%A7%D9%84%D9%85%D9%83%D9%88%D9%86%D8%A7%D8%AA_%D8%A7%D9%84%D9%85%D8%B3%D8%AA%D9%82%D9%84%D8%A9 +
, https://global.dbpedia.org/id/HpJ2 +
, http://sv.dbpedia.org/resource/Oberoende_komponentanalys +
, http://su.dbpedia.org/resource/Independent_components_analysis +
, http://fa.dbpedia.org/resource/%D8%AA%D8%AD%D9%84%DB%8C%D9%84_%D9%85%D8%A4%D9%84%D9%81%D9%87%E2%80%8C%D9%87%D8%A7%DB%8C_%D9%85%D8%B3%D8%AA%D9%82%D9%84 +
, http://rdf.freebase.com/ns/m.02tz5q +
, http://it.dbpedia.org/resource/Analisi_delle_componenti_indipendenti +
, http://ko.dbpedia.org/resource/%EB%8F%85%EB%A6%BD_%EC%84%B1%EB%B6%84_%EB%B6%84%EC%84%9D +
, http://de.dbpedia.org/resource/Unabh%C3%A4ngigkeitsanalyse +
, http://zh.dbpedia.org/resource/%E7%8B%AC%E7%AB%8B%E6%88%90%E5%88%86%E5%88%86%E6%9E%90 +
, http://es.dbpedia.org/resource/An%C3%A1lisis_de_componentes_independientes +
, http://fr.dbpedia.org/resource/Analyse_en_composantes_ind%C3%A9pendantes +
, http://el.dbpedia.org/resource/%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%B1%CE%BD%CE%B5%CE%BE%CE%AC%CF%81%CF%84%CE%B7%CF%84%CF%89%CE%BD_%CF%83%CF%85%CE%BD%CE%B9%CF%83%CF%84%CF%89%CF%83%CF%8E%CE%BD +
, http://www.wikidata.org/entity/Q1259145 +
, http://ru.dbpedia.org/resource/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%BD%D0%B5%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D1%8B%D1%85_%D0%BA%D0%BE%D0%BC%D0%BF%D0%BE%D0%BD%D0%B5%D0%BD%D1%82 +
, http://ja.dbpedia.org/resource/%E7%8B%AC%E7%AB%8B%E6%88%90%E5%88%86%E5%88%86%E6%9E%90 +
, http://dbpedia.org/resource/Independent_component_analysis +
, http://yago-knowledge.org/resource/Independent_component_analysis +
|
| rdf:type |
http://dbpedia.org/class/yago/YagoLegalActorGeo +
, http://dbpedia.org/class/yago/YagoLegalActor +
, http://dbpedia.org/class/yago/Object100002684 +
, http://dbpedia.org/class/yago/Whole100003553 +
, http://dbpedia.org/class/yago/Assistant109815790 +
, http://dbpedia.org/class/yago/WikicatStatisticalModels +
, http://dbpedia.org/class/yago/Worker109632518 +
, http://dbpedia.org/class/yago/Person100007846 +
, http://dbpedia.org/ontology/Software +
, http://dbpedia.org/class/yago/PhysicalEntity100001930 +
, http://dbpedia.org/class/yago/Model110324560 +
, http://dbpedia.org/class/yago/CausalAgent100007347 +
, http://dbpedia.org/class/yago/Organism100004475 +
, http://dbpedia.org/class/yago/LivingThing100004258 +
|
| rdfs:comment |
독립 성분 분석(Independent Component Analysis, ICA)은 다변량의 신호를 통계적으로 독립적인 하부 성분으로 분리하는 계산 방법이다. 각 성분은 비 가우스 성 신호로서 서로 통계적 독립을 이루는 성분으로 구성되어 있다. 독립 성분 분석은 블라인드 신호를 분리하는 특별한 방법이다.
, L'analyse en composantes indépendantes (en … L'analyse en composantes indépendantes (en anglais, independent component analysis ou ICA) est une méthode d'analyse des données (voir aussi Exploration de données) qui relève des statistiques, des réseaux de neurones et du traitement du signal. Elle est notoirement et historiquement connue en tant que méthode de séparation aveugle de source mais a par suite été appliquée à divers problèmes. Les contributions principales ont été rassemblées dans un ouvrage édité en 2010 par P.Comon et C.Jutten.age édité en 2010 par P.Comon et C.Jutten.
, Η Ανάλυση ανεξάρτητων συνιστωσών (Independ … Η Ανάλυση ανεξάρτητων συνιστωσών (Independent Component Analysis) είναι μια υπολογιστική μέθοδος για το διαχωρισμό ενός πολυμεταβλητού σήματος σε προσθετικές υποσυνιστώσες υποθέτοντας την κοινή της μη-Γκαουσιανής πηγής σημάτων. Είναι μια ειδική περίπτωση (blind source separation).ιδική περίπτωση (blind source separation).
, El análisis de componentes independientes … El análisis de componentes independientes (ACI) (en inglés ICA) es un método computacional que sirve para separar una señal multivariante en subcomponentes aditivos suponiendo que la señal de origen tiene una independencia estadística y es no-Gausiana. Éste es un caso especial de separación ciega de las señales.pecial de separación ciega de las señales.
, 在统计学中，独立成分分析或独立分量分析（Independent components analysis，缩写：ICA） 是一种利用统计原理进行计算的方法。它是一个线性变换。这个变换把数据或信号分离成统计独立的非高斯的信号源的线性组合。独立成分分析是盲信号分离（Blind source separation）的一种特例。
, Oberoende komponentanalys (engelska: Indep … Oberoende komponentanalys (engelska: Independent component analysis (ICA)) är en metod inom signalbehandling för att separera multivariata signaler till additiva delkomponenter. Detta görs genom att anta att delkomponenterna är icke-gaussiska signaler och att de alla är statistiskt oberoende av varandra. ICA är ett specialfall av blind källseparering (engelska: blind source separation).ering (engelska: blind source separation).
, 独立成分分析（どくりつせいぶんぶんせき、英: independent component analysis、ICA）は、多変量の信号を複数の加法的な成分に分離するための計算手法である。各成分は、ガウス的でない信号で相互に統計的独立なものを想定する。これはブラインド信号分離の特殊な場合である。
, Анализ независимых компонент (АНК, англ. I … Анализ независимых компонент (АНК, англ. Independent Component Analysis, ICA), называемый также Метод независимых компонент (МНК) — это вычислительный метод в обработке сигналов для разделения сигнала на аддитивные подкомпоненты. Этот метод применяется при предположении, что подкомпоненты являются негауссовыми сигналами и что они статистически независимы друг от друга. АНК является специальным случаем слепого разделения сигнала. Типичным примером приложения является задача вечеринки с коктейлем — когда люди на шумной вечеринке выделяют голос собеседника, несмотря на громкую музыку и шум людей в помещении: мозг способен фильтровать звуки и сосредотачиваться на одном источнике (голос визави) в реальном времени.точнике (голос визави) в реальном времени.
, In signal processing, independent componen … In signal processing, independent component analysis (ICA) is a computational method for separating a multivariate signal into additive subcomponents. This is done by assuming that at most one subcomponent is Gaussian and that the subcomponents are statistically independent from each other. ICA is a special case of blind source separation. A common example application is the "cocktail party problem" of listening in on one person's speech in a noisy room.in on one person's speech in a noisy room.
, تحليل المكونات المستقلةهي طريقة لفصل مجموع … تحليل المكونات المستقلةهي طريقة لفصل مجموعة من الإشارات، باعتبار إن الإشارات مستقلة إحصائياً عن بعضها .لتوضيح الفكرة أكثر سوف نعرضها بمثال مبسط و هو وجود أشخاص كثيرة في حجرة و علينا فصل هذه الأصوات. في هذه الدراسة سنعرض طريقة تحليل المكونات (العناصر) المستقلة في فصل إشارة كهربية المخ عن الإشارات الناتجة عن حركات العين التي تؤثر بدرجة كبيرة على القياس السليم لإشارة كهربية المخ . Progress in Natural Science.كهربية المخ . Progress in Natural Science.
, L'analisi delle componenti indipendenti, a … L'analisi delle componenti indipendenti, anche nota con l'acronimo inglese ICA (che sta per Independent component analysis) è un metodo di elaborazione computazionale che serve per separare un segnale multivariante nelle sue sotto-componenti additive, assumendo che esista una mutua indipendenza statistica della sorgente dei segnali non Gaussiani. Si tratta di un caso particolare della ("separazione alla cieca delle sorgenti").("separazione alla cieca delle sorgenti").
, Die Unabhängigkeitsanalyse bzw. Independen … Die Unabhängigkeitsanalyse bzw. Independent Component Analysis (ICA) ist eine Methode der multivariaten Statistik. Sie wurde 1991 veröffentlicht und dient der Berechnung unabhängiger Komponenten in einer Mischung statistisch unabhängiger Zufallsvariablen. Sie ist nahe verwandt mit dem -Problem (BSS). ist nahe verwandt mit dem -Problem (BSS).
|
| rdfs:label |
Oberoende komponentanalys
, Unabhängigkeitsanalyse
, Análisis de componentes independientes
, Analisi delle componenti indipendenti
, Анализ независимых компонент
, Ανάλυση ανεξάρτητων συνιστωσών
, Independent component analysis
, 独立成分分析
, تحليل المكونات المستقلة
, Analyse en composantes indépendantes
, 독립 성분 분석
|
