A független komponens analízis és empirikus vizsgálata*
A független komponens analízis és empirikus vizsgálata*
A független komponens analízis és empirikus vizsgálata*
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
268<br />
T T<br />
ahol g( W X ) egy oszlopvektor, i-edik eleme gi( i X )<br />
Statisztikai Szemle, 91. évfolyam 3. szám<br />
Kapelner Tamás — Madarász László — Ferenci Tamás<br />
w .<br />
Az 1.3. pontban említett okokból állítsuk elő az X-ből a V fehérített változókat, <strong>és</strong><br />
tegyük fel, hogy ezen vektor <strong>és</strong> Y dimenziója megegyezik, azaz m= n.<br />
Ekkor /23/<br />
egyenlet jelöl<strong>és</strong>eit használva igaz a következő összefügg<strong>és</strong>:<br />
T<br />
( ) ( ( ) )<br />
2<br />
( ) ( )<br />
T<br />
CNLPCA( W)= E V −Wg W V<br />
⎡ T<br />
= E⎢<br />
V −Wg W V<br />
⎣<br />
T<br />
V −Wg<br />
W V<br />
⎤<br />
⎥<br />
=<br />
⎦<br />
⎡ T<br />
T T T ⎤<br />
= E ⎢( V −Wg( W V) ) WW ( V −Wg(<br />
W V)<br />
) =<br />
⎣<br />
⎥<br />
⎦<br />
⎡ T<br />
T T T T T T ⎤<br />
= E ⎢( W V −W Wg( W V) ) ( W V −W<br />
Wg( W V)<br />
) ⎥<br />
=<br />
⎣ ⎦<br />
/26/<br />
2<br />
E Y −g( Y) ∑E<br />
Yi −gi(<br />
Yi)<br />
= = ⎡⎣ ⎤⎦<br />
.<br />
n<br />
i=1<br />
Legyen most minden i-re igaz, hogy<br />
2<br />
2<br />
g ( y)= y + y.<br />
/27/<br />
i<br />
Látható, hogy ekkor a /26/ egyenlet éppen a fehérített adatok esetén érvényes /5/<br />
egyenlettel lesz ekvivalens:<br />
m<br />
C W = E Y .<br />
/28/<br />
( ) 4<br />
NLPCA m× n ∑<br />
i=1<br />
i<br />
A konkrét feladat vonatkozásában tehát az ICA-probléma megoldása tulajdonképpen<br />
egy NLPCA-feladat megoldásával egyenértékű, ha a megfelelő műveleteket<br />
fehérített adatokon végezzük.<br />
Az elméleti modellek hasonlósága ellenére azonban az ICA <strong>és</strong> a PCA más-más<br />
típusú problémák megoldására hivatott, ahogy azt a következő fejezetben szereplő<br />
példáink is szemléltetik majd. Ugyanakkor a két módszer kiválóan képes kieg<strong>és</strong>zíteni<br />
egymást, a PCA ugyanis alkalmas az ICA egyik hiányosságának – a <strong>komponens</strong>ek<br />
számának meghatározásának – pótlására, hiszen rávilágít arra, hogy hány dimenzióban<br />
tudjuk az adatainkat megfelelően kis hibával ábrázolni. A PCA tehát utal arra,<br />
hogy az ICA-algoritmus legfeljebb hány <strong>független</strong> <strong>komponens</strong>t találhat az adott mintákat<br />
használva, emellett maga a felbontás is egyszerűsödik, hiszen amennyiben a<br />
fő<strong>komponens</strong>eket tekintjük kevert jeleknek, a keverőmátrix biztosan ortogonális lesz,<br />
<strong>és</strong> így invertálható is.