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.
272<br />
Statisztikai Szemle, 91. évfolyam 3. szám<br />
Kapelner Tamás — Madarász László — Ferenci Tamás<br />
Amint látható, a PCA kitűnően visszaállítja az eredeti <strong>komponens</strong>eket, a visszaállítás<br />
átlagos négyzetes hibája 0,005. Az ICA-nak ugyanez a feladat leküzdhetetlen<br />
problémát jelent. Egyr<strong>és</strong>zt a skálázási invariancia miatt az eredményt a [− 1,1] tartományba<br />
normálva kell megjelenítenünk, másr<strong>és</strong>zt a visszaállítás sem megfelelő, az<br />
átlagos négyzetes hiba még úgy is 0,2, ha az eredeti adatokat is ugyanebbe a tartományba<br />
skálázzuk.<br />
3. ábra. Az ICA eredményeinek szemléltet<strong>és</strong>e normális eloszlású adathalmazokon<br />
Ez az eredmény az elméleti megfontolások alapján várható is volt, hiszen a<br />
nemnormalitást használó ICA-algoritmusok képtelenek szétválasztani a <strong>független</strong><br />
<strong>komponens</strong>eket akkor, ha azok között egynél több normális eloszlású található (lásd<br />
az 1.4. pontot).<br />
2.3. Az ICA <strong>és</strong> a PCA összehasonlítása<br />
A két módszer term<strong>és</strong>zetesen nemcsak adathalmazok, hanem rendezett adatok, idősorok<br />
esetén is használható, különbség csak a megjelenít<strong>és</strong> módjában van. Tekintve,<br />
hogy több mint két dimenzió esetén az ábrázolás egyébként is nehézkes lenne, illetve<br />
mivel az ICA-t jellemzően idősorok elemz<strong>és</strong>ére használják, a két módszer összehasonlítását<br />
idősorok segítségével végeztük. Az idősorokat vagy – az ICA alkalmazási területén<br />
gyakrabban használt megnevez<strong>és</strong>ükkel – jeleket úgy választottuk meg, hogy azok<br />
szabad szemmel is jól elkülöníthetők legyenek. Az alkalmazott jelek:<br />
1. Chirp-jel: a jelfeldolgozási gyakorlatban használatos, időben vál-<br />
⎛ ⎡ 3 2 π⎤⎞ tozó frekvenciájú jel, időfüggvénye x() t =10sin⎜2 π ⎢ t + ⎟.<br />
2 2⎥<br />
⎝ ⎣ ⎦ ⎠<br />
2. Fűr<strong>és</strong>zjel: egyszerűsége miatt gyakran használt jelfeldolgozási<br />
⎛ t ⎢ t 1 ⎥ ⎞<br />
mintapélda, időfüggvénye xt () =20 ⎜ − .<br />
500 ⎢ − ⎟<br />
500 2⎥<br />
⎝ ⎣ ⎦ ⎠