en تحلیل مؤلفه‌های مستقل کم‌ترین توان‌های دوم رتبه-مبنا عمومى General پژوهشي Research &nbsp;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.<span dir="LTR"></span><br> &nbsp; &nbsp;<br> In this paper, we propose a nonparametric rank-based alternative to the least-squares independent component analysis algorithm developed. The basic idea is to estimate the squared-loss mutual information, which used as the objective function of the algorithm, based on its copula density version. Therefore, no marginal densities have to be estimated. We provide empirical evaluation of the proposed algorithm through simulation and real data analysis. Since the proposed algorithm uses rank values rather than the actual values of the observations, it is extremely robust to the outliers and suffers less from the presence of noise than the other algorithms.<br> &nbsp; مفصل, تحلیل مؤلفه‌های مستقل, اطلاع متقابل توان دوم زیان Copula, independent component analysis, squared-loss mutual information. 247 266 http://jsri.srtc.ac.ir/browse.php?a_code=A-10-73-2&slc_lang=en&sid=1 Jafar Rahmani Shamsi جعفر رحمانی‌شمسی jrahmanishamsi@yahoo.com 10031947532846001387 10031947532846001387 No مدیریت و برنامه‌ریزی یزد Ali Dolati علی دولتی adolati@yazd.ac.ir 10031947532846001388 10031947532846001388 Yes