ICA ist ein statistisches Verfahren, um versteckte Faktoren aus einer großen Anzahl von Messergebnissen herauszufiltern. Wichtige potentielle Anwendungen dieses Verfahrens sind Bildverarbeitung, Data Mining und Signaltrennung. Die Autoren sind Mitglieder einer Forschungsgruppe, die für innovative Ideen auf diesem Gebiet bekannt ist. Bereits heute bietet jede Konferenz über neuronale Netze oder Signalverarbeitung Veröffentlichungen zum Thema ICA; man erwartet, dass sich dieses Gebiet schnell etabliert und in die Studienpläne aufgenommen wird.
ICA ist ein statistisches Verfahren, um versteckte Faktoren aus einer großen Anzahl von Messergebnissen herauszufiltern. Wichtige potentielle Anwendungen dieses Verfahrens sind Bildverarbeitung, Data Mining und Signaltrennung. Die Autoren sind Mitglieder einer Forschungsgruppe, die für innovative Ideen auf diesem Gebiet bekannt ist. Bereits heute bietet jede Konferenz über neuronale Netze oder Signalverarbeitung Veröffentlichungen zum Thema ICA; man erwartet, dass sich dieses Gebiet schnell etabliert und in die Studienpläne aufgenommen wird.
Produktdetails
Produktdetails
Adaptive and Cognitive Dynamic Systems: Signal Processing, Learning, Communications and Control 1
AAPO HYVÄRINEN, PhD, is Senior Fellow of the Academy of Finland and works at the Neural Networks Research Center of Helsinki University of Technology in Finland. JUHA KARHUNEN and ERKKI OJA are professors at the Neural Networks Research Center of Helsinki University of Technology in Finland.
Inhaltsangabe
Preface. Introduction. MATHEMATICAL PRELIMINARIES. Random Vectors and Independence. Gradients and Optimization Methods. Estimation Theory. Information Theory. Principal Component Analysis and Whitening. BASIC INDEPENDENT COMPONENT ANALYSIS. What is Independent Component Analysis? ICA by Maximization of Nongaussianity. ICA by Maximum Likelihood Estimation. ICA by Minimization of Mutual Information. ICA by Tensorial Methods. ICA by Nonlinear Decorrelation and Nonlinear PCA. Practical Considerations. Overview and Comparison of Basic ICA Methods. EXTENSIONS AND RELATED METHODS. Noisy ICA. ICA with Overcomplete Bases. Nonlinear ICA. Methods using Time Structure. Convolutive Mixtures and Blind Deconvolution. Other Extensions. APPLICATIONS OF ICA. Feature Extraction by ICA. Brain Imaging Applications. Telecommunications. Other Applications. References. Index.
Preface. Introduction. MATHEMATICAL PRELIMINARIES. Random Vectors and Independence. Gradients and Optimization Methods. Estimation Theory. Information Theory. Principal Component Analysis and Whitening. BASIC INDEPENDENT COMPONENT ANALYSIS. What is Independent Component Analysis? ICA by Maximization of Nongaussianity. ICA by Maximum Likelihood Estimation. ICA by Minimization of Mutual Information. ICA by Tensorial Methods. ICA by Nonlinear Decorrelation and Nonlinear PCA. Practical Considerations. Overview and Comparison of Basic ICA Methods. EXTENSIONS AND RELATED METHODS. Noisy ICA. ICA with Overcomplete Bases. Nonlinear ICA. Methods using Time Structure. Convolutive Mixtures and Blind Deconvolution. Other Extensions. APPLICATIONS OF ICA. Feature Extraction by ICA. Brain Imaging Applications. Telecommunications. Other Applications. References. Index.
Rezensionen
"...researchers...introduce independent component analysis as a statistical and computational technique for revealing hidden factors that underlie sets of random variables, measurements, or signals." (SciTech Book News, Vol. 25, No. 4, December 2001)
Es gelten unsere Allgemeinen Geschäftsbedingungen: www.buecher.de/agb
Impressum
www.buecher.de ist ein Shop der buecher.de GmbH & Co. KG Bürgermeister-Wegele-Str. 12, 86167 Augsburg Amtsgericht Augsburg HRA 13309
