FastICa matlab工具箱使用说明

【实例简介】
看到CSDN上有传matlab FASTICA工具箱的，但没有使用说明，这是使用说明
北京理工大学计算机学院刘茜倾心制作 杂项:不调用别人也不被调用 demosig m人工生成测试信号和混合信号(不需要输入参数)。用户可以,输入 混合信号来看看 FASTICA是怎么工作的 已经被遗弃的 dispsig. m画数据向量的,现被 icaplot. m,取代了 、函数 fastica. m和 fastica, m的使用说明 fastica. m 调用此函数吋参数不是必要的。也可以输入参数 fastica( mixedsig, InitialGuess) mixedsig是以多维信号为行向量的矩阵 nitialguess给出算法混合矩阵的初始值 fastica. m [Outl, Out 2, Out3]=fastica(mixedsig, varargin 函数的输出由输出参数的个数决定,调用方式有以下几种 1. [icasig]=fastica(mixedsig mixedsig是以多维信号为行向量的矩阵。 icasE的每一行是估计出的独立成分(C) 2. [icasig A, W]=fastica(mixedsig mixedsig是以多维信号为行向量的矩阵。 icase的每一行是估计出的独立成分(C) A是计算出的混合矩阵 W是计算出的解混矩阵 3. [A, W]= fastica(mixedsig 只保存混合矩阵和解混矩阵 fastica被调用时也可以加入选项参数。选项参数以参数对形式岀现,顺序为参数 名、参数值。不同参数对直接顺序可任意。 参数名 值和参数描述 基本参数 approac 选择去相关的方法 symm′并行估计独立成分 def一个一个的估计独立成分,为默认值 num 估计出的独立成分的个数,默认与数据维数相等 选择非线性 非线性( nonlinearity)的不同方法 pow3(default glu=u3 北京理工大学计算机学院刘茜倾心制作 tanh glu=tanh a1* u gauss g(u)=u*exp(a2*u^2/2) skew glu)=u2 finetune 调整(提高算法的统计性能) off不调整 pow3调整吋采用此非线性方法g(u=u^3 tanh'调整时采用此非线性方法g(u)=tanh(a1*u) gauss调整吋采用此非线性方法g(u)=u*exp(-a2*u^2/2) skew调整时采用此非线性方法g(u)=u2 a1 当使用g时,g(u)tanh(a1*u)中的参数a1默认为1 a2′ 当使用g时,g(u)=u*exp(-a2+u2/2中的参数a,默认为1 mu 步长,默认为1:;如果此值小于1,项目就使用稳定化的算 stabilization ′on’of′默 认 控制是否进行稳定化,如果为on’,当算法在两点之间或迭 代次数为最大值的一半吋还未收敛,mu就会减半 控制收敛 epsilon 终止准则,默认为00001 maxNumlterations'最大迭代次数,默认为1000 samplesIze 次迭代中的样本百分比(样本的选择是随机的),是01 之问的数字,默认为1,即全部样本 initguess 初始高斯矩阵A默认为随机产生 图像和文本输出 verbose 是否以文本的格式输出算法的进展情况 n’默认 'off display Mode 画出正在运行的独立成分的估计 signals basis filters off默认 display lnterval 迭代几次后绘图一次 默认为1 控制维度的减少和白化 firstEig firstEig'和 lastIng决定∫要保留的特征值的范围 firstEig'是 要保留的最大特征值的索引,默认为1 lastEd lastEig′是要保留的最小特征值的索引,默认为数据的维度。 如果 firstEig‘和 lastEig都取默认值那么就是取所有特征值 interactivePCa on'显小特征值给用户,用户可以和程序交互,选择特征值 的范围。 of默认 gu用户可以使用和 fastica相同的图形化用户界面 如果已经知道协方差矩阵的特征值分解,就不必再计算了,可直接以参数形式给」 北京理工大学计算机学院刘茜倾心制作 出,如下 pca (矩阵)特征向星 pcaD 矩阵)特征值 如果已经知道白化数据,可以直接在算法中以参数给出,如下 whiteSig (矩阵)白化信号 White mat (矩阵)白化矩阵 dewhite Mat (矩阵)去白化矩阵 如果只想进行一些预处理,比如只白化或pca,那么使用on∨选项 on whte只进行白化 程序调用方法 Iwhitesig, WM, DWM]=fastica(mixedsig, 'only,,'white") 返回白化的信号、白化矩阼、去白化矩阼。在 fastIca这个算 法中白化矩阼主要用来白化和降维,去白化矩阼是白化矩阡 的伪逆 lpca只进行pca降维 程序调用方法 [E, D]= fastica(mixedsig only,pca) 返回特征向量和对角特征值矩阵 a'默认值,进行白化-降维-CA 函数调用的例子: %使用tanh'gu)=tanh(a1*u进行非线性,并行进行独立成分估计 [icasig]= fastica(mixedsig 'approach, 'symm,'g ,tanh); %降维到10维,只估计出3个独立成分(C) [icasig]= fastica(mixedsig, 'lastEig, 10, numOfIC, 3); %不输出收敛报告,不画独立成分的图 [icasig =fastica(mixedsig 'verbose,'off, displayMode,'off y 北京理工大学计算机学院刘茜倾心制作 四、图形化界面介绍 FistIc真 MIRed signals Load dat园 Aumber↑ Mumber of sample Do CA Transpose Plot data Save resuits Dimension control Quit Reduced dimension Reduce dim Original dim Plot whitened FIxed point ICA Don Approach deflation of c nliniearnty〔g 0W3 stabilization ff About Ady. options>>≥ Plot cs 1.点击 Load data载入数据,在弹出的输入框中输入矩阵的变量名。输入矩阵的 行是一个信号。假如输入矩阵以列向量存储信号,可点击π transpose来将矩阵 转冒。 2.点击DoCA来进行分析 3.点击 Save results存储结果。在弹岀输入框中填写后缀名字,比如填写 FastICa 那么工作空间中就存储∫变量A_ FastIca, D Fastica, e Fastica c fastIca W fastIca等等。 4.选项 1)点击 Plot data可以看数据的一维图 2)点击 Reduce dim给出了数据的协方差矩阵的特征值结构的图。可以填写 最大和最小特征值的索引号来限定特征值的范围,从而降维。如果要撤 销这一降维的操作,就点击 Original dim. 3)点击 Plot whitened可以画出预处理过的数据。 4)点击 Plot Ics和点击DoCA有一样的进行主成份分析的效果,就是点击 DO CA强制重新计算ICA,而点击 Plot ics如果之前计算过结果,那么不 重新计算,只画图。 5)如果算法可能不收敛,那么就可以用稳定化的版本,就要把 Stablization 下拉菜单中选成on’。假如在Adv. options中的mu是小于1的,那么 Stablization就不能选了,那是因为系统会自动应用 Stablization模式 6)其它选项比如 Approach等可参见上面 fastica. m的参数对照表 7)点击Hep可以参见英文帮助 【实例截图】
【核心代码】