بهبود الگوریتم تقلیل در تحلیل مولفه مستقل

هدف اصلی جداسازی منبع کور، جداسازی منابع از سیگنال های ثبت شده بوسیله آرایه ای از حسگرها، می باشد؛ این سیگنال ها مخلوط هایی ناشناخته از منابع می باشند. تحلیل مولفه مستقل، این جداسازی را با فرض مستقل بودن آماری منابع اصلی انجام می دهد. در این پایان نامه، دو الگوریتم تحلیل مولفه مستقل ارایه می شود؛ هر کدام از آنها می تواند به عنوان یک الگوریتم تقلیلی تحلیل مولفه مستقل کم هزینه، سریع و قابل اطمینان برای بسیاری از کاربردهای جداسازی منبع حقیقی استفاده شود. این روش ها از آماره های مرتبه چهارم(کیومولان ها) در یک رویه تقلیل کم هزینه، بهره می گیرند. رویه تقلیل پایه یادشده، بوسیله دلفوس و لوباتون در یک فضای سیگنالی حقیقی پیشنهاد شد. الگوریتم های تحلیل مولفه مستقل پیشنهاد شده، از روش های بهینه سازی جدید بهره برده و دارای مزیت هایی نسبت به روش های تحلیل مولفه مستقل پرکاربرد می باشند.کمتر بودن هزینه محاسباتی الگوریتم های پیشنهادشدهدر مقایسه با الگوریتم شناخته شده fastica، به ویژه زمانی که تعداد منابع افزایش می یابد، نشان داده می شود. سرعت همگرایی روش های پیشنهادشده از سرعت الگوریتم سریع fasticaنیز بالاتر می باشد؛ همچنین تخمین دو روش پیشنهادی قابل اطمینان تر است. کارایی مناسب روش های پیشنهادی، در دو زمینه شامل مخلوط های صوت و تصویر ارزیابی و تایید می شود.با اعمال الگوریتم های پیشنهادی به مخلوط های صوت و تصویر، به زمان جداسازی کوچکتر و کیفیت جداسازی بالاتری در مقایسه با الگوریتم fastica، دست می یابیم.