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===
+
==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.