声明：转自https://blog.csdn.net/chinabing/article/details/
- PCA 主成分分析
m个n维的样本数据X1,X2,…,XmX1,X2,…,Xm, 均值为u
步骤:
（1）标准化， Xi−uXi−u
（2）计算协方差矩阵 E{(X−E(X))(X−E(X))T}E{(X−E(X))(X−E(X))T}
（3）计算特征值和特征向量（单位化）
（4）选择特征值最大的前k（1≤≤k≤≤n）项的特征向量
（5）利用特征向量的组合进行线性变换，得到新的数据 - ICA 独立成分分析
从可观察的Observables信号X1,X2,…,XnX1,X2,…,Xn, 恢复Sources信号S1,S2,…,SmS1,S2,…,Sm
x=Wsx=Ws
s=W−1xs=W−1x
这里涉及到线性变换。
以去脑电伪迹（可以理解为噪声信号）为例。
这里有三步：
（1）观察信号X经过线性变换计算出源信号u，也就是独立成分ICs：u=WXu=WX
（2）去除伪迹的成分，在脑电信号中，一般是第一第二个成分
（3）对去除伪迹后的成分u0进行线性变换，x0=W−1u0x0=W−1u0, x0x0就是去除伪迹后的信号
这里关键的关键就是如何计算出W，这里依据成分的独立性这一性质。 - CCA 典型相关分析
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/223617.html原文链接：https://javaforall.net
