Independent Component Analysis: Theory and Applications

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.