Prerequisito: Análise de Componentes Principais

Análise de Componentes Independentes (ICA) é uma técnica de aprendizagem da máquina para separar fontes independentes de um sinal misto. Ao contrário da análise de componentes principais que se concentra na maximização da variância dos pontos de dados, a análise de componentes independentes concentra-se na independência, ou seja, componentes independentes.

Problema: Para extrair sinais de fontes independentes de um sinal misto composto pelos sinais dessas fontes.
Dado: Sinal misto de cinco fontes independentes diferentes.
Aim: Para decompor o sinal misto em fontes independentes:

• Fonte 1
• Fonte 2
• Fonte 3
• Fonte 4
• Fonte 5

Solução: Análise de Componentes Independentes (ICA).

>

Problema de Coquetel ou Separação de Fonte Cega para entender o problema que é resolvido pela análise independente de componentes.

>

>
Aqui, Há uma festa indo para uma sala cheia de pessoas. Há ‘n’ número de palestrantes naquela sala e eles estão falando simultaneamente na festa. Na mesma sala, há também ‘n’ número de microfones colocados a diferentes distâncias dos alto-falantes que estão gravando os sinais de voz dos ‘n’ alto-falantes. Assim, o número de altifalantes é igual ao número de microfones necessários na sala.
Agora, utilizando as gravações destes microfones, queremos separar todos os sinais de voz dos ‘n’ altifalantes na sala, dado que cada microfone gravou os sinais de voz provenientes de cada altifalante de intensidade diferente, devido à diferença de distâncias entre eles. A decomposição do sinal misto da gravação de cada microfone em sinal de voz de fonte independente pode ser feita usando a técnica de aprendizagem da máquina, análise de componentes independentes.
=>
onde, X1, X2, …, Xn são os sinais originais presentes no sinal misto e Y1, Y2, …, Yn são as novas características e são componentes independentes que são independentes uns dos outros.

Restrições no ICA –

1. Os componentes independentes gerados pelo ICA são assumidos como estatisticamente independentes uns dos outros.
2. Os componentes independentes gerados pelo ICA devem ter distribuição não gaussiana.
3. O número de componentes independentes gerados pelo ICA é igual ao número de misturas observadas.

Diferença entre PCA e ICA –