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
*matplotlib(>;=1.3)
*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/>