我有一個形狀的信號。這個形狀包含一些不同的部分&這個接收信號是來自這些不同部分的信號的總和。爲了闡明，我有疊加。我不知道我身上有多少個零件。我可以假設這些信號是獨立的。 我將分離這些信號&通過算法從接收信號中提取它們。我知道有一種方法是使用ICA。這是最好的方式嗎？有什麼其他方式可以做嗎？這些部分的信號是獨立的，這是合理的事實嗎？從信號中分離獨立部分的最佳方法是什麼？
***這裏是關於FastICA的一個例子，我無法理解： ICA (Independent Component Analysis) fast-fixed point algorithm
我們有一個信號的4個觀察。所以我們有4個接收器在不同的位置接收一個信號。但爲什麼答案有4行？爲什麼它沒有1行？因爲是1信號的觀察。這是否意味着我們有4個傳感器源？我們如何理解不同部分的數量？這些問題是因爲我是ICA新手。
您正面臨典型的信號處理問題，或者更具體地說，是一個源分離問題。首先，您必須確定您的問題是否過度確定或未定。這意味着如果觀察結果超過組成混合物的獨立組分的數量，那麼它是超定的，反之亦然。
對我來說，它看起來像你的問題是超定的，這使得它更容易。你可以把它想象成一個方程組，假設你有4個觀察值Y1，Y2，Y3和Y4（它們是你正在談論的4行數據，而你需要所有4行）。並說你有4個獨立的來源在你的混合物中。您可以將其表示爲：
Y1(t) = A(t)+B(t)+C(t)+D(t) %// let us just assume that the first observation is the sum of 4 components
Y2(t) = (a*A(t))+(b*B(t))+(c*C(t))+(d*D(t)) %// Your observation 2 will be different from your observation 1, because it is composed of different distributions of your variables.
和Y3和Y4應該跟隨。爲了分離，你有幾種從PCA，ICA到基於模型的方法的方法，例如GMM/HMM/FHMM和基於神經網絡的方法ANN/DNN等。你選擇的具體方法在一定程度上取決於你的信號在其他方面的混合程度單詞，你的信號多麼稀疏。例如，如果你的信號完全是頻率獨立的，那麼一個簡單的濾波器就足夠了。
您選擇ICA返回代表混合物4個組分的4行（假設您正確使用了ICA）。您需要提供您的ICA結果，以便我們進一步幫助您。