On statistical pattern recognition in independent component analysis mixture modelling

یک تکامل طبیعی پردازش سیگنال آماری، در ارتباط با افزایش تدریجی قدرت محاسباتی، از اطلاعات مرتبه بالاتر بهره برداری می کند. بنابراین، تجزیه و تحلیل طیفی مرتبه بالا و فیلتر تطبیقی ​​غیرخطی مورد توجه بسیاری از محققان قرار گرفته است. یکی از موفق‌ترین تکنیک‌ها برای پردازش غیرخطی داده‌ها با توزیع‌های غیر گاوسی پیچیده، مدل‌سازی مخلوط تحلیل مؤلفه‌های مستقل (ICAMM) است. این پایان نامه یک فرمالیسم جدید برای تشخیص و طبقه بندی الگو بر اساس ICAMM تعریف می کند، که تعداد معینی از وظایف تشخیص الگو را یکپارچه می کند و امکان تعمیم را فراهم می کند. چارچوب همه‌کاره و قدرتمند توسعه‌یافته در این کار می‌تواند با داده‌های به‌دست‌آمده از حوزه‌های کاملاً متفاوتی، مانند پردازش تصویر، آزمایش تاثیر پژواک، میراث فرهنگی، تجزیه و تحلیل هیپنوگرام، وب‌کاوی سروکار داشته باشد و بنابراین ممکن است برای حل بسیاری از دنیای واقعی استفاده شود. مشکلات.

A natural evolution of statistical signal processing, in connection with the progressive increase in computational power, has been exploiting higher-order information. Thus, high-order spectral analysis and nonlinear adaptive filtering have received the attention of many researchers. One of the most successful techniques for non-linear processing of data with complex non-Gaussian distributions is the independent component analysis mixture modelling (ICAMM). This thesis defines a novel formalism for pattern recognition and classification based on ICAMM, which unifies a certain number of pattern recognition tasks allowing generalization. The versatile and powerful framework developed in this work can deal with data obtained from quite different areas, such as image processing, impact-echo testing, cultural heritage, hypnograms analysis, web-mining and might therefore be employed to solve many different real-world problems.