دانلود شبیه سازی مقاله مشتق جایگزین FastICA با الگوریتم جدید تکرار توان

پروژه متلب الگوریتم تکرار توان

تحلیل مؤلفه های مستقل (ICA)، نوعی تکنیک پردازش سیگنال است که به طور گسترده ای در زمینه استخراج سیگنال ‌های منبع مستقل مشاهده نشده از ثبت های مخلوط چند متغیره مشاهده‌ شده مورد استفاده قرار می گیرد. الگوریتم نقطه ثابت FastICA، یکی از محبوب ترین الگوریتم های ICA به شمار می آید.

الگوریتم نقطه ثابت FastICA که به شکل وسیعی استفاده می شود، نوعی الگوریتم تقریبی نیوتن رافسون (NR) مشتق شده و القاء شده است. همچنین، ضریب لاگرانژی به عنوان یک ثابت در مشتق اصلی در نظر گرفته می شود و یک تقریب موقت برای ماتریس ژاکوبین در به روز رسانی NR مورد استفاده قرار می گیرد. در این پروژه، یک مشتق جایگزین الگوریتم FastICA را بدون تقریب ارائه می دهیم. همچنین استدلال می کنیم که هر راه حلی برای الگوریتم FastICA، راه حلی برای الگوریتم دقیق NR نیز محسوب می شود. همچنین، یک الگوریتم تکراری توان جدید برای FastICA را نیز ارائه می دهیم که زمانیکه حجم نمونه بزرگ‌تر از بعد نباشد، به طور قابل‌ ملاحظه ای پایدارتر از الگوریتم نقطه ثابت است. علاوه بر این، الگوریتم پیشنهادی ما از قابلیت اجرا بر روی گره های محاسباتی موازی نیز برخوردار است.

در این مقاله، یک مشتق جایگزین الگوریتم نقطه ثابت FastICA را ارائه می‌ دهیم. لازم به ذکر است که در اصل، الگوریتم FastICA به عنوان یک به روز رسانی تقریبی NR مشتق شده است. همچنین در دوز اشتقاق ما به فرضیات ساده‌سازی غیرضروری که در اشتقاق اصلی استفاده می‌شود، نیازی نیست. همچنین، یک الگوریتم موازی ICA جدید را بر مبنای روش توان ارائه می دهیم. یافته های بدست آمده از این مقاله حاکی از آن است که روش پیشنهادی ما به طور قابل توجهی پایدارتر از الگوریتم FastICA بوده و نتایج قابل قبولی را با تعداد کمی از نقاط داده ارائه می دهد.

این مقاله مربوط به سال 2017 بوده و شبیه سازی آن در محیط نرم افزار متلب (MATLAB) انجام شده است. در ادامه نیز تصاویر مربوط به خروجی های شبیه سازی قرار داده شده است: