[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 14، شماره 2 - ( 12-1396 ) ::
جلد 14 شماره 2 صفحات 247-266 برگشت به فهرست نسخه ها
تحلیل مؤلفه‌های مستقل کم‌ترین توان‌های دوم رتبه-مبنا
جعفر رحمانی‌شمسی، علی دولتی*
هیئت علمی ، adolati@yazd.ac.ir
چکیده:   (616 مشاهده)
 در این مقاله یک الگوریتم ناپارامتری رتبه-مبنا برای تحلیل مؤلفه‌های مستقل ارایه می‌شود که جایگزینی برای الگوریتم مؤلفه‌های مستقل کم‌ترین توان‌های دوم است. ایده‌ی اصلی این است که برای براورد اطلاع متقابل توان دوم زیان، به‌عنوان تابع هدف در الگوریتم، از براورد تابع چگالی مفصل استفاده می‌شود. در الگوریتم معرفی‌شده، نیازی به براورد توابع چگالی حاشیه‌ای مؤلفه‌ها نیست. عمل‌کرد الگوریتم پیش‌نهادی با استفاده از شبیه‌سازی و تحلیل داده‌های واقعی مورد ارزیابی قرار می‌گیرد. از آن‌جا که الگوریتم پیش‌نهادی به‌جای داده‌های اصلی از رتبه‌های آن‌ها استفاده می‌کند، به‌طور معنی‌داری در مقابل داده‌های دورافتاده استوار است و نسبت به الگوریتم‌های مشابه از حساسیت کم‌تری برخوردار است.
 
واژه‌های کلیدی: مفصل، تحلیل مؤلفه‌های مستقل، اطلاع متقابل توان دوم زیان
متن کامل [PDF 349 kb]   (137 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: عمومى
دریافت: ۱۳۹۵/۱۲/۴ | پذیرش: ۱۳۹۶/۱۱/۱۸ | انتشار: ۱۳۹۶/۱۲/۲۶
فهرست منابع
1. Amari, S., Cichocki, A. and Yang, H. (1996). A New Learning Algorithm for Blind Signal Separation. Advances in Neural Information Processing Systems. 757-763, MIT Press.
2. Ameri, M.R., Shokripour, M., Mohammadpour, A., and Nassiri, V. (2013). Parametric Independent Component Analysis for Stable Distributions. Artificial Intelligence Research, 2, 27-34. [DOI:10.5430/air.v2n3p27]
3. Bach, F.R. and Jordan, M.I. (2002). Kernel Independent Component Analysis. JMLR, 3, 1-48.
4. Bell, A.J. and Sejnowski, T.J. (1995). An Information Maximization Approach to Blind source Separation and Blind Deconvolution. Neural Comput. 7, 1129-1159. [DOI:10.1162/neco.1995.7.6.1129]
5. Bouezmarni, T. and Rolin, J.M. (2003). Consistency of the Beta Kernel Density Function Estimator. The Canadian Journal of Statistics/La Revue Canadienne de Statistique, 31, 98-89. [DOI:10.2307/3315905]
6. Calsaverini, R.S. and Vicente, R. (2009). An Information-theoretic Approach to Statistical dependence: Copula Information. EPL (Europhysics Letters), 88, 68003. [DOI:10.1209/0295-5075/88/68003]
7. Cardoso, J.F. and Souloumiac, A. (1993). Blind Beamforming for Non Gaussian Signals. IEE Proceedings-F, 140, 362-370. [DOI:10.1049/ip-f-2.1993.0054]
8. Charpentier, A., Fermanian, J.D. and Scaillet, O. (2006). The Estimation of Copulas: Theory and Practice, in Copulas: from Theory to Application in Finance, J. Rank, ed., Risk Book, London, pp. 35-60.
9. Chen, S.X. (1999). Beta Kernel Estimators for Density Functions, Comput. Statist. Data Anal., 31, 131-145. [DOI:10.1016/S0167-9473(99)00010-9]
10. Comon, P. (1994). Independent Component Analysis, a New Concept? Signal Proc., 36, 287-314. [DOI:10.1016/0165-1684(94)90029-9]
11. Gretton, A., Bousquet, O., Smola, A. and Scholkopf, B. (2005). Measuring Statistical Dependence with Hilbert-Schmidt Norms. In Algorithmic learning theory (pp. 63-77). Springer Berlin Heidelberg. [DOI:10.1007/11564089_7]
12. Hyvarinen, A. (1999). Fast and Robust Fixed-point Algorithms for Independent Component analysis. Neural Networks, IEEE Transactions on, 10, 626-634. [DOI:10.1109/72.761722]
13. Hyvarinen, A. and Oja, E. (2000). Independent Component Analysis: Algorithms and Application. Neural Networks, 13, 411-430. [DOI:10.1016/S0893-6080(00)00026-5]
14. Hyvarinen, A., Karhunen, J. and Oja, E. (2004). Independent Component Analysis. John Wiley & Sons, New York.
15. Jabari, N.H. (2009). Almost Sure Convergence of Kernel Bivariate Distribution Function Estimator under Negative Association. J. Statist. Res. Iran, 6, 243-255.
16. Joe, H. (1989). Relative Entropy Measures of Multivariate Dependence. JASA, 84, 157-164. [DOI:10.1080/01621459.1989.10478751]
17. Jones, M.C. (1993). Simple Boundary Correction for Kernel Density Estimation. Statistics and Computing, 3,135-146. [DOI:10.1007/BF00147776]
18. Jutten, C. and Herault, J. (1991). Blind Separation of Sources, PartI: An Adaptive Algorithm based on Neuromimetic Architecture. Signal Processing, 24, 1-10. [DOI:10.1016/0165-1684(91)90079-X]
19. Krishner, S. and Poczos, B. (2008). ICA and ISA using Schweizer-Wolff Measure of Dependence. In Proceedings of the 25th International Conference on Machine Learning (pp. 464-471). ACM. [DOI:10.1145/1390156.1390215]
20. Learned-Miller, E.G. and Fisher, J.W. (2003). ICA using Spacings Estimates of Entropy JMLR, 4, 1271-1295.
21. Mohtashami Borzadaran, R. and Amini, M. (2010). Information Measures via Copula Functions. J. Statist. Res. Iran, 7, 47-60. [DOI:10.18869/acadpub.jsri.7.1.47]
22. Muller, H.G. (1991). Smooth Optimum Kernel Estimators near Endpoints. Biometrika, 78, 521-530. [DOI:10.1093/biomet/78.3.521]
23. Nelsen, R.B. (2006). An Introduction to Copulas. Springer, New York.
24. Peng, H. and Siming Z. (2007). Handling of Incomplete Data Sets using ICA and SOM in Data Mining. Neural Computing and Applications, 16, 167-172. [DOI:10.1007/s00521-006-0058-6]
25. Shen, H., Jegelka, S. and Gretton, A. (2009). Fast Kernel-based Independent Component Analysis. Signal Processing, IEEE Transactions on, 57, 3498-3511. [DOI:10.1109/TSP.2009.2022857]
26. Sklar, A. (1959). Functions de R'epartitionan Dimensions et Leurs Marges. Publ. Inst. Statist. Univ. Paris, 8, 229-231.
27. Sun, Z., Liu, J., Sun, J., Sun, X. and Ling, J.(2009). A Motion Location based Video Watermarking Scheme using ICA to Extract Dynamic Frames. Neural Computing and Applications, 18, 507-514. [DOI:10.1007/s00521-009-0253-3]
28. Suzuki, T. and Sugiyama, M. (2011). Least-squares Independent Component Analysis. Neural Computation, 23, 284-301. [DOI:10.1162/NECO_a_00062]
29. Wand, M.P. and Jones, M.C. (1995). Kernel Smoothing. Chapman and Hall, London. [DOI:10.1007/978-1-4899-4493-1]
30. Taigang, H., Clifford, G. and Tarassenko, L. (2006). Application of Independent Component Analysis in Removing Artefacts from the Electrocardiogram. Neural Computing and Applications, 15, 105-116. [DOI:10.1007/s00521-005-0013-y]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA code



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Rahmani Shamsi J, Dolati A. ​Rank based Least-squares Independent Component Analysis . JSRI. 2018; 14 (2) :247-266
URL: http://jsri.srtc.ac.ir/article-1-271-fa.html

رحمانی‌شمسی جعفر، دولتی علی. تحلیل مؤلفه‌های مستقل کم‌ترین توان‌های دوم رتبه-مبنا. مجله‌ی پژوهش‌های آماری ایران. 1396; 14 (2) :247-266

URL: http://jsri.srtc.ac.ir/article-1-271-fa.html



دوره 14، شماره 2 - ( 12-1396 ) برگشت به فهرست نسخه ها
مجله‌ی پژوهش‌های آماری ایران (علمی - پژوهشی) Journal of Statistical Research of Iran JSRI
Persian site map - English site map - Created in 0.05 seconds with 31 queries by YEKTAWEB 3755