ICA扩展描述

7. ICA算法扩展描述

     上面介绍的内容基本上是讲义上的，与我看的另一篇《Independent Component Analysis:

Algorithms and Applications》（Aapo Hyvärinen and Erkki Oja）有点出入。下面总结一下这篇文章里提到的一些内容（有些我也没看明白）。

     首先里面提到了一个与“独立”相似的概念“不相关（uncorrelated）”。Uncorrelated属于部分独立，而不是完全独立，怎么刻画呢？

     如果随机变量和是独立的，当且仅当。

     如果随机变量和是不相关的，当且仅当

     第二个不相关的条件要比第一个独立的条件“松”一些。因为独立能推出不相关，不相关推不出独立。

     证明如下：

    

    

    

     反过来不能推出。

     比如，和的联合分布如下(0,1)，(0,-1)，(1,0)，(-1,0)。

    

     因此和不相关，但是

    

     因此和不满足上面的积分公式，和不是独立的。

     上面提到过，如果是高斯分布的，A是正交的，那么也是高斯分布的，且与之间是独立的。那么无法确定A，因为任何正交变换都可以让达到同分布的效果。但是如果中只有一个分量是高斯分布的，仍然可以使用ICA。

     那么ICA要解决的问题变为：如何从x中推出s，使得s最不可能满足高斯分布？

     中心极限定理告诉我们：大量独立同分布随机变量之和满足高斯分布。

    

     我们一直假设的是是由独立同分布的主元经过混合矩阵A生成。那么为了求，我们需要计算的每个分量。定义，那么，之所以这么麻烦再定义z是想说明一个关系，我们想通过整出一个来对进行线性组合，得出y。而我们不知道得出的y是否是真正的s的分量，但我们知道y是s的真正分量的线性组合。由于我们不能使s的分量成为高斯分布，因此我们的目标求是让y（也就是）最不可能是高斯分布时的w。

     那么问题递归到如何度量y是否是高斯分布的了。

     一种度量方法是kurtosis方法，公式如下：

    

     如果y是高斯分布，那么该函数值为0，否则绝大多数情况下值不为0。

     但这种度量方法不怎么好，有很多问题。看下一种方法：

     负熵（Negentropy）度量方法。

     我们在信息论里面知道对于离散的随机变量Y，其熵是

    

     连续值时是

    

     在信息论里有一个强有力的结论是：高斯分布的随机变量是同方差分布中熵最大的。也就是说对于一个随机变量来说，满足高斯分布时，最随机。

     定义负熵的计算公式如下：

    

     也就是随机变量y相对于高斯分布时的熵差，这个公式的问题就是直接计算时较为复杂，一般采用逼近策略。

    

     这种逼近策略不够好，作者提出了基于最大熵的更优的公式：

    

     之后的FastICA就基于这个公式。

     另外一种度量方法是最小互信息方法：

    

     这个公式可以这样解释，前一个H是的编码长度（以信息编码的方式理解），第二个H是y成为随机变量时的平均编码长度。之后的内容包括FastICA就不再介绍了，我也没看懂。

 

8. ICA的投影追踪解释（Projection Pursuit）

     投影追踪在统计学中的意思是去寻找多维数据的“interesting”投影。这些投影可用在数据可视化、密度估计和回归中。比如在一维的投影追踪中，我们寻找一条直线，使得所有的数据点投影到直线上后，能够反映出数据的分布。然而我们最不想要的是高斯分布，最不像高斯分布的数据点最interesting。这个与我们的ICA思想是一直的，寻找独立的最不可能是高斯分布的s。

     在下图中，主元是纵轴，拥有最大的方差，但最interesting的是横轴，因为它可以将两个类分开（信号分离）。

    

9. ICA算法的前处理步骤

     1、中心化：也就是求x均值，然后让所有x减去均值，这一步与PCA一致。

     2、漂白：目的是将x乘以一个矩阵变成，使得的协方差矩阵是。解释一下吧，原始的向量是x。转换后的是。

     的协方差矩阵是，即

    

     我们只需用下面的变换，就可以从x得到想要的。

    

     其中使用特征值分解来得到E（特征向量矩阵）和D（特征值对角矩阵），计算公式为

    

     下面用个图来直观描述一下：

     假设信号源s1和s2是独立的，比如下图横轴是s1，纵轴是s2，根据s1得不到s2。

    

     我们只知道他们合成后的信号x，如下

    

     此时x1和x2不是独立的（比如看最上面的尖角，知道了x1就知道了x2）。那么直接代入我们之前的极大似然概率估计会有问题，因为我们假定x是独立的。

     因此，漂白这一步为了让x独立。漂白结果如下：

    

     可以看到数据变成了方阵，在的维度上已经达到了独立。

     然而这时x分布很好的情况下能够这样转换，当有噪音时怎么办呢？可以先使用前面提到的PCA方法来对数据进行降维，滤去噪声信号，得到k维的正交向量，然后再使用ICA。

 

10. 小结

     ICA的盲信号分析领域的一个强有力方法，也是求非高斯分布数据隐含因子的方法。从之前我们熟悉的样本-特征角度看，我们使用ICA的前提条件是，认为样本数据由独立非高斯分布的隐含因子产生，隐含因子个数等于特征数，我们要求的是隐含因子。

     而PCA认为特征是由k个正交的特征（也可看作是隐含因子）生成的，我们要求的是数据在新特征上的投影。同是因子分析，一个用来更适合用来还原信号（因为信号比较有规律，经常不是高斯分布的），一个更适合用来降维（用那么多特征干嘛，k个正交的即可）。有时候也需要组合两者一起使用。这段是我的个人理解，仅供参考。