AS cwiczenia ICA - Historia wersji

Jarekz o 09:26, 1 paź 2016

2016-10-01T09:26:39Z

Egd: /* Ćwiczenie 2 */

2016-01-07T16:01:42Z

Ćwiczenie 2

Magdaz: /* Analiza składowych niezależnych */

2016-01-06T20:48:05Z

Analiza składowych niezależnych

Magdaz: /* Ćwiczenie 2 */

2015-12-08T22:57:37Z

Ćwiczenie 2

Magdaz: /* Analiza składowych niezależnych */

2015-12-08T22:56:31Z

Analiza składowych niezależnych

Magdaz: /* Analiza składowych niezależnych */

2015-12-01T10:56:22Z

Analiza składowych niezależnych

Magdaz: /* Analiza składowych niezależnych */

2015-11-30T23:11:50Z

Analiza składowych niezależnych

Magdaz o 22:56, 30 lis 2015

2015-11-30T22:56:49Z

Magdaz: Utworzono nową stronę "===Analiza składowych niezależnych=== ==Ćwiczenie 1== *Wygeneruj 3-kanałowy sygnał źródłowy `S` będący superpozycją sinusa o częstości 5 Hz, prosto..."

2015-11-30T22:52:43Z

Utworzono nową stronę "===Analiza składowych niezależnych=== ==Ćwiczenie 1== *Wygeneruj 3-kanałowy sygnał źródłowy <tt>S</tt> będący superpozycją sinusa o częstości 5 Hz, prosto..."

Nowa strona

===Analiza składowych niezależnych===

==Ćwiczenie 1==

*Wygeneruj 3-kanałowy sygnał źródłowy <tt>S</tt> będący superpozycją sinusa o częstości 5 Hz, prostokąta i piły z odpowiednimi współczynnikami, określanymi jako współczynniki mieszania:

<tt>
A = np.array([[1, 1, 1], [2.0, 0.5, 1.0], [1.5, 1.5, 0.5]]).T
</tt>

*Przeprowadź dekompozycję sygnału przy pomocy implementacji ICA w pakiecie [http://scikit-learn.org/stable/ scikit-learn]. W tym celu należy zaimportować funkcję <tt>FastICA</tt>:

<source lang=python>
from sklearn.decomposition import FastICA
</source>

Dekompozycja ICA wygląda następująco:

<source lang=python>
ica = FastICA(n_components=3) # liczba komponentów równa jest liczbie kanałów
S_ = ica.fit_transform(X) # macierz zrekonstruowanych sygnałów źródłowych S; X jest macierzą mieszanin
A_ = ica.mixing_ # wyestymowana macierz mieszająca
</source>

*Następnie porównaj otrzymany wynik z wynikiem dekompozycji przeprowadzonej przy pomocy programu Svarog. W tym celu wyeksportuj sygnał do pliku binarnego, a następnie wybierz Tools -> Independent Component Analysis -> Compute ICA.

@@ Linia 1: / Linia 1: @@
 ==Analiza składowych niezależnych==
@@ Linia 62: / Linia 65: @@
 <!--
 *Wczytaj do Svaroga 10-minutowy fragment [[Plik:EEG-resting.bin| zapisu spoczynkowego EEG]] zarejestrowanego, kiedy osoba badana miała oczy zamknięte. Przeprowadź analizę ICA. Co można powiedzieć o rozkładzie przestrzennym wybranych komponentów i ich zawartości spektralnej? -->

@@ Linia 42: / Linia 42: @@
 ===Ćwiczenie 2===
-Wczytaj przy pomocy pythona sygnały [[Plik:sounds.rar|audio]] x1, x2 i x3 zarejestrowane przez trzy odbiorniki. Użyj do tego modułu <tt>scipy.io.wavfile</tt>:
+Wczytaj przy pomocy pythona sygnały [http://www.fuw.edu.pl/~prozanski/sounds.zip audio] x1, x2 i x3 zarejestrowane przez trzy odbiorniki. Użyj do tego modułu <tt>scipy.io.wavfile</tt>:
 <source lang=python>

@@ Linia 6: / Linia 6: @@
 Rozważmy problem “cocktail party”, w którym próbujemy rozdzielić mieszaninę sygnałów zarejestrowanych przez kilka odbiorników znajdujących się w różnych miejscach na poszczególne źródła. Określając macierz sygnałów źródłowych, której kolumny oznaczają wartości sygnałów dla wszystkich źródeł w kolejnych chwilach czasu, jako <math>s</math>, oraz macierz mieszanin, zawierającą kolejne próbki czasowe sygnałów zarejestrowanych przez odbiorniki, jako <math>x</math>, możemy zapisać powyższą sytuację:
-:<math>x_i^t = \sum_{j=1}^M{a_{ij} s_j^t}</math>,
+:<math>x_i(t) = \sum_{j=1}^M{a_{ij} s_j(t)}</math>,
-gdzie w dowolnym punkcie czasowym <math>t</math>, wartość <math>x_i^t</math> jest linową kombinacją wartości sygnałów źródłowych, z pewnymi stałymi współczynnikami mieszania <math>a_i^j</math>. Po zgrupowaniu współczynników mieszających w macierzy <math>\mathbf{A} = [a_{ij}] \in\mathbb{R}_{M \times M}</math> model ten można zapisać za pomocą równania:
+gdzie w dowolnym punkcie czasowym <math>t</math>, wartość <math>x_i(t)</math> jest linową kombinacją wartości sygnałów źródłowych, z pewnymi stałymi współczynnikami mieszania <math>a_{ij}</math>. Po zgrupowaniu współczynników mieszających w macierzy <math>\mathbf{A} = [a_{ij}] \in\mathbb{R}_{M \times M}</math> model ten można zapisać za pomocą równania:
 :<math>\mathbf{x} = \mathbf{A} \mathbf{s}</math>.

@@ Linia 55: / Linia 55: @@
 from scipy.io import wavfile
-wavfile.write('ica_s1.wav')
+wavfile.write('ica_s1.wav', rate, ica_s1)
 </source>

@@ Linia 2: / Linia 2: @@
 Ogólna zasada działania algorytmu analizy składowych niezależnych (''Independent Component Analysis'', ICA) została wprowadzona na [[Analiza_sygnałów_wielowymiarowych|wykładzie]].
 ===Ćwiczenie 1===
@@ Linia 29: / Linia 42: @@
 ===Ćwiczenie 2===
-*Wczytaj do Svaroga 10-minutowy fragment [[Plik:EEG-resting.bin| zapisu spoczynkowego EEG]] zarejestrowanego, kiedy osoba badana miała oczy zamknięte. Przeprowadź analizę ICA. Co można powiedzieć o rozkładzie przestrzennym wybranych komponentów i ich zawartości spektralnej?
+Wczytaj przy pomocy pythona sygnały [[Plik:sounds.rar|audio]] x1, x2 i x3 zarejestrowane przez trzy odbiorniki. Użyj do tego modułu <tt>scipy.io.wavfile</tt>:

← poprzednia wersja		Wersja z 10:56, 1 gru 2015
Linia 1:		Linia 1:
	==Analiza składowych niezależnych==		==Analiza składowych niezależnych==
		+
		+	Ogólna zasada działania algorytmu analizy składowych niezależnych (''Independent Component Analysis'', ICA) została wprowadzona na [[Analiza_sygnałów_wielowymiarowych\|wykładzie]].

	===Ćwiczenie 1===		===Ćwiczenie 1===

← poprzednia wersja		Wersja z 23:11, 30 lis 2015
Linia 24:		Linia 24:

	*Następnie porównaj otrzymany wynik z wynikiem dekompozycji przeprowadzonej przy pomocy programu Svarog. W tym celu wyeksportuj sygnał do pliku binarnego, a następnie wybierz Tools -> Independent Component Analysis -> Compute ICA.		*Następnie porównaj otrzymany wynik z wynikiem dekompozycji przeprowadzonej przy pomocy programu Svarog. W tym celu wyeksportuj sygnał do pliku binarnego, a następnie wybierz Tools -> Independent Component Analysis -> Compute ICA.
		+
		+	===Ćwiczenie 2===
		+
		+	*Wczytaj do Svaroga 10-minutowy fragment [[Plik:EEG-resting.bin\| zapisu spoczynkowego EEG]] zarejestrowanego, kiedy osoba badana miała oczy zamknięte. Przeprowadź analizę ICA. Co można powiedzieć o rozkładzie przestrzennym wybranych komponentów i ich zawartości spektralnej?

AS cwiczenia ICA - Historia wersji

Jarekz o 09:26, 1 paź 2016

Egd: /* Ćwiczenie 2 */

Magdaz: /* Analiza składowych niezależnych */

Magdaz: /* Ćwiczenie 2 */

Magdaz: /* Analiza składowych niezależnych */

Magdaz: /* Analiza składowych niezależnych */

Magdaz: /* Analiza składowych niezależnych */

Magdaz o 22:56, 30 lis 2015

Magdaz: Utworzono nową stronę "===Analiza składowych niezależnych=== ==Ćwiczenie 1== *Wygeneruj 3-kanałowy sygnał źródłowy S będący superpozycją sinusa o częstości 5 Hz, prosto..."

Magdaz: Utworzono nową stronę "===Analiza składowych niezależnych=== ==Ćwiczenie 1== *Wygeneruj 3-kanałowy sygnał źródłowy `S` będący superpozycją sinusa o częstości 5 Hz, prosto..."