Computational Intelligence, SS08
2 VO 442.070 + 1 RU 708.070 last updated:
General
Course Notes (Skriptum)
Online Tutorials
Introduction to Matlab
Neural Network Toolbox
OCR with ANNs
Adaptive Filters
VC dimension
Gaussian Statistics
PCA, ICA, Blind Source Separation
Hidden Markov Models
Mixtures of Gaussians
Automatic Speech Recognition
Practical Course Slides
Homework
Exams
Animated Algorithms
Interactive Tests
Key Definitions
Downloads
Literature and Links
News
mailto:webmaster

Einführung

Blind Source Separation beschäftigt sich mit der Problemstellung, aus einer Menge von Beobachtungen die darin enthaltenen unabhängigen Komponenten zu extrahieren. Eine unabhängige Komponente ist dabei ein Ereignis, das ursächlich nicht mit anderen beobachteten Ereignissen in Verbindung steht. Ein zur Veranschaulichung dieser Problemstellung oft formuliertes Beispiel ist das sog. Cocktail Party Problem [1], siehe auch Abbildung 1:

Figure 1: Das Cocktail Party Problem
\includegraphics[scale=0.5]{bssF}
In einem Veranstaltungssaal befinden sich mehrere Personen, die sich in Gruppen miteinander unterhalten. Im Raum sind an verschiedenen Positionen Mikrophone angebracht, die die gesamte Geräuschkulisse im Raum aufzeichnen. Ziel der Blind Source Separation ist es hier, unter Zuhilfenahme der Mikrophonsignale jeweils eine Stimme von allen anderen Stimmen zu trennen.

Zur Lösung dieses Problems existieren mehrere Ansätze. Einer davon ist die sogenannte Independent Component Analysis (ICA) [4]  [3], [2] auf die in diesem Artikel besonderes Augenmerk gelegt wird.

In Sektion 2 wird zunächst auf die mathematische Formulierung der Problemstellung eingegangen. Sektion 3 beschäftigt sich mit der sog. Principal Component Analysis (PCA), die in vielen Fällen einen wichtigen Vorverarbeitungsschritt für ICA darstellt. In Sektion 4 werden grundlegende Methoden der Independent Component Analysis vorgestellt.