独立成分分析：比FastICA可能更好的一种算法RobustICA

独立成分分析：比FastICA可能更好的一种算法RobustICA

% RobustICA algorithm for independent component analysis （Release 1 - March 31 2008）
% -----------------------------------------------------------------------------------
% 
% RobustICA is based on the normalized kurtosis contrast function which is optimized by a
% computationally efficient gradient-descent technique. This technique computes algebraically
% the step size （adaption coefficient） globally optimizing the contrast in the search direction
% at each iteration. Any independent component with non-zero kurtosis can be extracted in this
% manner.
%
% The present implementation performs the deflationary separation of statistically independent
% sources under the instantaneous linear mixture model. Full separation is achieved if at most
% one source has zero kurtosis.
%
% Some advantages of RobustICA are:
%
% - The optimal step-size technique provides some robustness to the presence of saddle points and
%   spurious local extrema in the contrast function.
%
% - The method shows a very high convergence speed measured in terms of source extraction quality
%   versus number of operations.
%
% - Real- and complex-valued signals are treated by exactly the same algorithm. Both type of source
%   signals can be present simultaneously in a given mixture. Complex sources need not be circular.
%   The mixing matrix coefficients may be real or complex regardless of the source type.
%
% - Sequential extraction （deflation） can be performed via linear regression. As a result prewhitening
%   and the performance limitations it imposes can be avoided. This feature may prove especially
%   beneficial in ill-conditioned scenarios the convolutive case and underdetermined mixtures.
%
% - Optionally the algorithm can target sub-Gaussian or super-Gaussian sources in the order defined
%   by a kurtosis-sign vector provided by the user. 
%
%
% The package is composed of the following M-files:
%
%  - ‘robustica.m‘:             implements the algorithm itself.
%
%  - ‘kurt_gradient_optstep.m‘: computes the optimal step-size of the normalized kurtosis contrast
%                               using the gradient vector as search direction. 
%
%  - ‘deflation_regression.m‘:  performs deflation via linear regression.
%
%  - ‘robustica_demo.m‘:        a simple demonstration illustrating the performance of RobustICA
%                               on synthetic mixtures.
% 
%
% More details about the RobustICA algorithm can be found in the references below:
%
% - V. Zarzoso and P. Comon “Comparative Speed Analysis of FastICA“ 
%   in: Proceedings ICA-2007 7th International Conference on Independent Component Analysis
%   and Signal Separation London UK September 9-12 200

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        6909  2008-03-29 10:47  robustica_demo.m
     文件        3944  2008-03-31 14:46  contents.m
     文件        1827  2008-03-31 12:42  deflation_regression.m
     文件        5738  2008-03-31 12:51  kurt_gradient_optstep.m
     文件        8748  2008-03-31 12:48  robustica.m