真实数据的ica预处理
python-picard的Python项目详细描述
picard：实际数据的预处理ica
==
==
…_特拉维斯：https://travis ci.org/pierreablin/picard
…| codecov图像：：http://codecov.io/github/pierreablin/picard/coverage.svg？分支=主
…_ codecov:http://codecov.io/github/pierreablin/picard？分支=主
…|下载图片：http://pepy.tech/badge/python picard
_下载：http://pepy.tech/project/python picard
此存储库托管预处理ica的python/octave/matlab代码
用于实际数据（picard）和picard-o算法。
请参阅“文档”<；https://pierreablin.github.io/picard/index.html>；'BR/> BR/>算法
---
BR/PICARD是一种最大似然独立分量分析算法。BR/>显示了最新的收敛速度，并解决了广泛使用的FastICA、FinMax和扩展FinMax等问题。
BR/>image：：comparison.png
：scale:50%
：alt:comparison
：align:center
这使得分离亚高斯和超高斯信号成为可能。
它是用参数“extended”选择的。
*`ortho=false，extended=false`：与infomax相同的解
*`ortho=false，extended=true`：与extended infomax相同的解
*`ortho=true，extended=true`：与fastica相同的解
*`ortho=true，extended=False`：在正交约束下找到与Infomax相同的解决方案。
Installation
----
最简单的方法是使用pip获取最新版本：：
$pip install python picard
，或者获取最新版本的代码：：
$pip install git+https://github.com/pierreablin/picard.git=picard
picard和picard-o的Matlab/Octave版本在这里可用<；https://github.com/pierreablin/picard/tree/master/matlab\uOctave>；` `.
快速启动
----
要开始，您可以构建一个合成混合信号矩阵：
。代码：：python
>；>；将numpy导入为np
>；>；n，t=31000
>；>；s=np.random.laplace（size=（n，t））
>；>；a=np.random.randn（n，n）
>；x=np.dot（a，s）
代码：：Python
B./> & gt；从PICARD导入PICARD
GT；& GT；K，W，Y＝PICARD（X）
BR/> PICARD输出白化矩阵，K，估计解混矩阵，W，和BR/>估计源Y。数学：
>y=w k x
*numexpr（>；=2.0）
*scpy（>；=0.19）
<*mne（>；= 0.14）< BR> > BR> >
< BR> > BR/>如果您在本项目中使用此代码，请参见：
BR/> Pierre Ablin、Jean Francois Cardoso、Alexandre Gramfort
用Hessian近似预处理的快速独立分量分析< BR/> IEEE信号处理事务，2018＜BR/HTTPS//ARXIV.ORG/ABS/ 1706.08171＜BR/> Pierre Ablin，Jeang-弗兰Sou-OIS卡多佐，Alexandre Gramfort
正交约束下的快速ICA：BR/> ICASSP，2018
http://ARXIV.ORG/ABS/1711.10873 < BR/>< BR/>< BR/>
==
==
…| codecov图像：：http://codecov.io/github/pierreablin/picard/coverage.svg？分支=主
…_ codecov:http://codecov.io/github/pierreablin/picard？分支=主
…|下载图片：http://pepy.tech/badge/python picard
_下载：http://pepy.tech/project/python picard
此存储库托管预处理ica的python/octave/matlab代码
用于实际数据（picard）和picard-o算法。
请参阅“文档”<；https://pierreablin.github.io/picard/index.html>；'BR/> BR/>算法
---
BR/PICARD是一种最大似然独立分量分析算法。BR/>显示了最新的收敛速度，并解决了广泛使用的FastICA、FinMax和扩展FinMax等问题。
BR/>image：：comparison.png
：scale:50%
：alt:comparison
：align:center
这使得分离亚高斯和超高斯信号成为可能。
它是用参数“extended”选择的。
*`ortho=false，extended=false`：与infomax相同的解
*`ortho=false，extended=true`：与extended infomax相同的解
*`ortho=true，extended=true`：与fastica相同的解
*`ortho=true，extended=False`：在正交约束下找到与Infomax相同的解决方案。
Installation
----
最简单的方法是使用pip获取最新版本：：
$pip install python picard
，或者获取最新版本的代码：：
$pip install git+https://github.com/pierreablin/picard.git=picard
picard和picard-o的Matlab/Octave版本在这里可用<；https://github.com/pierreablin/picard/tree/master/matlab\uOctave>；` `.
快速启动
----
要开始，您可以构建一个合成混合信号矩阵：
。代码：：python
>；>；将numpy导入为np
>；>；n，t=31000
>；>；s=np.random.laplace（size=（n，t））
>；>；a=np.random.randn（n，n）
>；x=np.dot（a，s）
代码：：Python
B./> & gt；从PICARD导入PICARD
GT；& GT；K，W，Y＝PICARD（X）
BR/> PICARD输出白化矩阵，K，估计解混矩阵，W，和BR/>估计源Y。数学：
>y=w k x
*numexpr（>；=2.0）
*scpy（>；=0.19）
<*mne（>；= 0.14）< BR> > BR> >
< BR> > BR/>如果您在本项目中使用此代码，请参见：
BR/> Pierre Ablin、Jean Francois Cardoso、Alexandre Gramfort
用Hessian近似预处理的快速独立分量分析< BR/> IEEE信号处理事务，2018＜BR/HTTPS//ARXIV.ORG/ABS/ 1706.08171＜BR/> Pierre Ablin，Jeang-弗兰Sou-OIS卡多佐，Alexandre Gramfort
正交约束下的快速ICA：BR/> ICASSP，2018
http://ARXIV.ORG/ABS/1711.10873 < BR/>< BR/>< BR/>
欢迎加入QQ群-->： 979659372
