AS cwiczenia ICA: Różnice pomiędzy wersjami
Z Brain-wiki
(Utworzono nową stronę "===Analiza składowych niezależnych=== ==Ćwiczenie 1== *Wygeneruj 3-kanałowy sygnał źródłowy <tt>S</tt> będący superpozycją sinusa o częstości 5 Hz, prosto...") |
|||
| Linia 1: | Linia 1: | ||
| − | + | ==Analiza składowych niezależnych== | |
| − | ==Ćwiczenie 1== | + | ===Ćwiczenie 1=== |
*Wygeneruj 3-kanałowy sygnał źródłowy <tt>S</tt> będący superpozycją sinusa o częstości 5 Hz, prostokąta i piły z odpowiednimi współczynnikami, określanymi jako współczynniki mieszania: | *Wygeneruj 3-kanałowy sygnał źródłowy <tt>S</tt> będący superpozycją sinusa o częstości 5 Hz, prostokąta i piły z odpowiednimi współczynnikami, określanymi jako współczynniki mieszania: | ||
Wersja z 22:56, 30 lis 2015
Analiza składowych niezależnych
Ćwiczenie 1
- Wygeneruj 3-kanałowy sygnał źródłowy S będący superpozycją sinusa o częstości 5 Hz, prostokąta i piły z odpowiednimi współczynnikami, określanymi jako współczynniki mieszania:
A = np.array([[1, 1, 1], [2.0, 0.5, 1.0], [1.5, 1.5, 0.5]]).T
- Przeprowadź dekompozycję sygnału przy pomocy implementacji ICA w pakiecie scikit-learn. W tym celu należy zaimportować funkcję FastICA:
from sklearn.decomposition import FastICA
Dekompozycja ICA wygląda następująco:
ica = FastICA(n_components=3) # liczba komponentów równa jest liczbie kanałów
S_ = ica.fit_transform(X) # macierz zrekonstruowanych sygnałów źródłowych S; X jest macierzą mieszanin
A_ = ica.mixing_ # wyestymowana macierz mieszająca
- Następnie porównaj otrzymany wynik z wynikiem dekompozycji przeprowadzonej przy pomocy programu Svarog. W tym celu wyeksportuj sygnał do pliku binarnego, a następnie wybierz Tools -> Independent Component Analysis -> Compute ICA.
