คำถามติดแท็ก separability

ฉันต้องการที่จะสามารถตรวจสอบได้อย่างรวดเร็วว่าเคอร์เนล 2 มิติของค่าสัมประสิทธิ์จำนวนเต็มแบ่งออกเป็นสอง 1D เมล็ดที่มีสัมประสิทธิ์จำนวนเต็ม เช่น 2 3 2 4 6 4 2 3 2 สามารถแยกออกเป็น 2 3 2 และ 1 2 1 การทดสอบความสามารถแยกได้จริงดูเหมือนจะค่อนข้างตรงไปตรงมาโดยใช้เลขคณิตจำนวนเต็ม แต่การแยกย่อยเป็นฟิลเตอร์ 1D ที่มีค่าสัมประสิทธิ์จำนวนเต็มกำลังพิสูจน์ว่าเป็นปัญหาที่ยากขึ้น ความยากลำบากดูเหมือนจะอยู่ในความจริงที่ว่าอัตราส่วนระหว่างแถวหรือคอลัมน์อาจไม่ใช่จำนวนเต็ม (เศษส่วนที่มีเหตุผล) เช่นในตัวอย่างข้างต้นเรามีอัตราส่วน 2, 1/2, 3/2 และ 2/3 ฉันไม่ต้องการใช้วิธีการที่หนักเช่น SVD เพราะ (ก) มันค่อนข้างแพงสำหรับความต้องการของฉันและ (b) มันก็ไม่ได้ช่วยในการกำหนดสัมประสิทธิ์จำนวนเต็ม ความคิดใด ๆ ข้อมูลเพิ่มเติม ค่าสัมประสิทธิ์อาจเป็นค่าบวกลบหรือเป็นศูนย์และอาจมีกรณีทางพยาธิวิทยาที่ผลรวมของเวกเตอร์ 1D หรือทั้งคู่เป็นศูนย์เช่น -1 2 …

21 filters  separability  1d  2d 

การนำ ICA ไปใช้โดยทั่วไปสำหรับการแยกสัญญาณNNNออกเป็นส่วนประกอบของพวกเขาMMMต้องการให้สัญญาณถูกสันนิษฐานว่าเป็นส่วนผสมที่เป็นเชิงเส้นในทันทีของแหล่งที่มา คำอธิบายทั้งหมดของ ICA ที่ฉันเจอดูเหมือนจะยอมรับความจริงที่ว่าแหล่งสัญญาณทั้งหมดมีอยู่บ้างในการผสมสัญญาณ ทั้งหมดMMMNNN คำถามของฉันคืออะไรถ้าแหล่งสัญญาณมีอยู่ในบางส่วนเท่านั้น แต่ไม่ใช่สัญญาณผสมทั้งหมด? MMM สถานการณ์นี้ละเมิดสมมติฐานพื้นฐานที่จำเป็นสำหรับ ICA เพื่อให้สามารถแยกสัญญาณเหล่านี้ได้หรือไม่? (สมมติว่าเพื่อเหตุผลของการโต้แย้งว่าเรากำลังเผชิญกับระบบที่สมบูรณ์หรือไม่สมบูรณ์ (หรือ ) และสัญญาณแต่ละแหล่งนั้นมีความเป็นอิสระทางสถิติจากกัน)N = M MN>MN>MN>MN=MN=MN=MMMM การนำไปใช้ที่ฉันกำลังพิจารณาใช้ ICA สำหรับซึ่งในสถานการณ์นี้เกิดขึ้นมีดังต่อไปนี้: ฉันมีข้อมูลจากเซ็นเซอร์ 4 ชนิดที่แตกต่างกันแต่ละตัวมีจำนวนช่องสัญญาณแตกต่างกัน โดยเฉพาะฉันมีข้อมูล EEG 24 ช่องข้อมูลของ electrooculographic (EOG) 3 ช่องข้อมูล EMG 4 ช่องและข้อมูล ECG 1 ช่อง ข้อมูลทั้งหมดจะถูกบันทึกพร้อมกัน ฉันต้องการระบุการมีส่วนร่วมของสัญญาณ ECG, EMG และ EOG ภายในข้อมูล EEG เพื่อให้สามารถลบออกได้ ความคาดหวังคือสัญญาณ …

16 ica  eeg  separability