독립성분분석에서 Convolution-FFT을 이용한 효율적인 점수함수의 생성 알고리즘
An Algorithm of Score Function Generation using Convolution-FFT in Independent Component Analysis
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구에서는 엔트로피를 이용한 독립성분분석(ICA : Independent Component Analysis)에서 점수함수(score function)를 생성하는 알고리즘을 제안한다. 점수함수를 생성하기 위해서 원 신호(original signals)에 대한 확률밀도함수의 추정이 반드시 필요하고 밀도함수가 미분 가능해야 한다. 따라서 원 신호에 따른 적응적인 점수 함수를 유도할 수 있도록 커널 기반의 밀도추정(kernel density estimation)방법을 사용하였으며, 보다 빠른 밀도 추정 계산을 위해서 식의 형태를 컨볼루션(convolution) 변환 한 후, 컨볼루션을 빠르게 계산할 수 있는 FFT(Fast Fourier Transform) 알고리즘을 이용하였다. 제안한 점수함수 생성 방법은 원 신호에 확률밀도분포와 추정된 신호의 확률밀도 분포의 오차를 줄이는 역할을 한다. 실험 결과, 암묵신호분리(blind source separation)문제에서 기존의 Extended Infomax 알고리즘과 Fixed Point ICA 보다 원 신호와 유사한 밀도함수를 추정하였고, 분리된 신호의 신호대잡음비등(SNR)에 있어서 향상된 성능을 얻을 수 있었다. 攀 †준 회 원:경희대학교 컴퓨터공학과 박사과정††정 회 원:경희대학교 컴퓨터공학과 교수논문접수:2005년 11월 15일, 심사완료：2006년 2월 4일
Abstract
In this study, we propose this new algorithm that generates score function in ICA(Independent Component Analysis) using entropy theory. To generate score function, estimation of probability density function about original signals are certainly necessary and density function should be differentiated. Therefore, we used kernel density estimation method in order to derive differential equation of score function by original signal. After changing formula to convolution form to increase speed of density estimation, we used FFT algorithm that can calculate convolution faster. Proposed score function generation method reduces the errors, it is density difference of recovered signals and originals signals. In the result of computer simulation, we estimate density function more similar to original signals compared with Extended Infomax and Fixed Point ICA in blind source separation problem and get improved performance at the SNR(Signal to Noise Ratio) between recovered signals and original signal.
참고문헌 (17)
- P. Comon, "Independent Component Analysis, A New Concept?", 36(3), pp.287~314 (1994)
- A. Hyvrinen, "Independent Component Analysis" (2001), Wiley interscience
- S.-i. Amari, "A New Learning Algorithm for Blind Source Separation", 8, pp.757~763 (1996), MIT Press
- A. J. Bell, "An Information-Maximization Approach to Blind Separation and Blind Deconvolution", 7(6), pp.1129~1159 (1995)
- A. J. Bell, "The ’Independent Components’ of Natural Scenes are Edge Filters", 37, pp.3327~3338 (1997)
- J.-F. Cardoso, "Blind Signal Separation: Statistical Principles", 9, pp.2009~2025
- J-F. Cardoso, "Higher-Order Contrasts for Independent Component Analysis", 11(1), pp.157~192
- M. Girolami, "An Extended Exploratory Projection Pursuit Network with Linear and Nonlinear anti-Hebbian Lateral Connections Applied to the Cocktail Party Problem", 10(9), pp.1607~1618 (1997)
- D. Obradovic, "Information Maximization and Independent Component Analysis: Is There a Difference?", 10, pp.2085~2101 (1998)
- T.-W. Lee, "Independent Component Analysis using an Extended Infomax Algorithm for Mixed sub-Gaussian and super-Gaussian Sources", 11(2), pp.417~441 (1999)
- S. Choi, "Flexible Independent Component Analysis", 26(2), pp.25~38
- S. Makeig, "Blind Separation of Event-related Brain Responses into Independent Components", 94, pp.979~984 (1997)
- T.-P. Jung, "Removing electroencephalographic artifacts by blind source separation", 37, pp.163~178 (2000)
- B. W. Silverman, "Density Estimation for Statistics and Data Analysis" (1985), Chapman and Hall
- N. Vlassis, "Efficient source adaptivity in independent component analysis", 12, pp.559~566 (2001)
- S. Fiori, "Probability Density Estimation Using Adaptive Activation Function Neurons", 13(1), pp.31~42
- Woong Myung Kim, "An Efficient Score Function Generation Algorithm with Information Maximization", 3610, pp.760~768 (2005)