دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Te-Won Lee (auth.)
سری:
ISBN (شابک) : 9781441950567, 9781475728514
ناشر: Springer US
سال نشر: 1998
تعداد صفحات: 217
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب تجزیه و تحلیل مؤلفه های مستقل: نظریه و کاربردها: هوش مصنوعی (شامل رباتیک)، پردازش سیگنال، تصویر و گفتار، فیزیک آماری، سیستمهای دینامیکی و پیچیدگی
در صورت تبدیل فایل کتاب Independent Component Analysis: Theory and Applications به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تجزیه و تحلیل مؤلفه های مستقل: نظریه و کاربردها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
تجزیه و تحلیل مؤلفه مستقل (ICA) یک روش پردازش سیگنال
برای استخراج منابع مستقل است که تنها دادههای مشاهدهشده را
که مخلوطی از منابع ناشناخته هستند، استخراج میکند. اخیراً،
جداسازی منبع کور توسط ICA به دلیل کاربردهای بالقوه پردازش
سیگنال مانند سیستمهای تقویت گفتار، ارتباطات از راه دور،
پردازش سیگنال پزشکی و چندین مسئله دادهکاوی مورد توجه قرار
گرفته است.
این کتاب تئوری ها و کاربردهای ICA را ارائه می دهد و شامل
نمونه های ارزشمندی از چندین کاربرد در دنیای واقعی است. بر
اساس نظریههای مدلهای احتمالی، نظریه اطلاعات و شبکههای عصبی
مصنوعی، چندین الگوریتم یادگیری بدون نظارت ارائه شدهاند که
میتوانند ICA را انجام دهند. تئوری های به ظاهر متفاوتی مانند
infomax، تخمین حداکثر احتمال، حداکثر سازی منفی، PCA غیرخطی،
الگوریتم Bussgang و روش های مبتنی بر تجمع بررسی شده و در یک
چارچوب نظری اطلاعات قرار می گیرند تا چندین خط از تحقیقات ICA
را متحد کنند. الگوریتمی ارائه شده است که قادر به جداسازی
کورکورانه سیگنال های مختلط با توزیع های منبع فرعی و سوپر
گاوسی است. الگوریتم های یادگیری را می توان به سیستم های فیلتر
گسترش داد، که اجازه می دهد تا صداهای ضبط شده در یک محیط واقعی
را از هم جدا کنند (مشکل کوکتل مهمانی).
الگوریتم ICA با موفقیت برای بسیاری از مشکلات پردازش سیگنال
زیست پزشکی مانند تجزیه و تحلیل داده های الکتروانسفالوگرافی و
داده های تصویربرداری تشدید مغناطیسی عملکردی به کار گرفته شده
است. ICA اعمال شده بر روی تصاویر منجر به اجزای تصویر مستقل می
شود که می تواند به عنوان ویژگی در مشکلات طبقه بندی الگو مانند
لب خوانی بصری و سیستم های تشخیص چهره استفاده شود. الگوریتم
ICA علاوه بر این میتواند در یک چارچوب حداکثرسازی انتظار برای
طبقهبندی بدون نظارت تعبیه شود.
تحلیل مؤلفه مستقل: نظریه و کاربردها اولین کتابی است
که با موفقیت به این روش نسبتاً جدید و به طور کلی کاربردی
جداسازی منبع کور میپردازد. خواندن آن برای محققان و متخصصان
علاقه مند به ICA ضروری است.
Independent Component Analysis (ICA) is a
signal-processing method to extract independent sources given
only observed data that are mixtures of the unknown sources.
Recently, blind source separation by ICA has received
considerable attention because of its potential
signal-processing applications such as speech enhancement
systems, telecommunications, medical signal-processing and
several data mining issues.
This book presents theories and applications of ICA and
includes invaluable examples of several real-world
applications. Based on theories in probabilistic models,
information theory and artificial neural networks, several
unsupervised learning algorithms are presented that can
perform ICA. The seemingly different theories such as
infomax, maximum likelihood estimation, negentropy
maximization, nonlinear PCA, Bussgang algorithm and
cumulant-based methods are reviewed and put in an information
theoretic framework to unify several lines of ICA research.
An algorithm is presented that is able to blindly separate
mixed signals with sub- and super-Gaussian source
distributions. The learning algorithms can be extended to
filter systems, which allows the separation of voices
recorded in a real environment (cocktail party
problem).
The ICA algorithm has been successfully applied to many
biomedical signal-processing problems such as the analysis of
electroencephalographic data and functional magnetic
resonance imaging data. ICA applied to images results in
independent image components that can be used as features in
pattern classification problems such as visual lip-reading
and face recognition systems. The ICA algorithm can
furthermore be embedded in an expectation maximization
framework for unsupervised classification.
Independent Component Analysis: Theory and
Applications is the first book to successfully address
this fairly new and generally applicable method of blind
source separation. It is essential reading for researchers
and practitioners with an interest in ICA.
Front Matter....Pages i-xxxiii
Front Matter....Pages 1-1
Basics....Pages 5-26
Independent Component Analysis....Pages 27-66
A Unifying Information-Theoretic Framework for ICA....Pages 67-80
Blind Separation of Time-Delayed and Convolved Sources....Pages 83-110
ICA Using Overcomplete Representations....Pages 111-121
First Steps Towards Nonlinear ICA....Pages 123-137
Front Matter....Pages 141-141
Biomedical Applications of ICA....Pages 145-166
ICA for Feature Extraction....Pages 167-175
Unsupervised Classification with ICA Mixture Models....Pages 177-183
Conclusions and Future Research....Pages 187-191
Back Matter....Pages 193-210