基于L_1范数重建的稳健独立成分分析

独立成分分析(independent component analysis,ICA)是一种混合信号处理与分离方法,能够从多维混合观测数据中分离出各个独立成分。目前,ICA已成功应用于特征提取、信号处理、模式识别等诸多领域。然而,由于实际问题的复杂性,可观测到的混合观测中往往含有噪声、异常点与缺失点,而标准ICA算法对这类数据往往不能有效处理。针对该问题,提出了一种基于L1范数重建的新思路。基本思路是将传统ICA模型中加入L1范数项重新建模,利用L1范数误差对噪声与缺失点的本质稳健性,提高模型应用普适性;进一步设计了针对该模型的有效求解算法。在混合人工信号分离、混合图像分离以及混合音频信号分离的实验证明中,所提算法能够显著提升现有ICA方法对于含噪声、异常点与缺失点数据的计算稳健性。