Matlab中FastICA工具箱的使用说明

Matlab中FastICA工具箱的使用说明一、工具箱使用方法1．把工具箱的整个文件夹添加到工作目录（Current Directory）下，或者点击fileSet PathAdd Folder/Add with Subfolders把fastICA 的那个文件夹加进去save。后面的方法是一劳永逸的事情，这样在任何工作目录下都能够调用工具箱的函数了。2．在命令窗口（command window）直接输入fasticag 回车，就可以使用图形化用户界面了。也可以在你的程序中调用fastica()这个函数，具体参数的设置看后面有详解。二、各个文件的作用Cotents.m 文件全部都是注释，说明了每个文件的用途，不过都是英文，现总结如下：fastICA 有两种使用方法（fastICA 用了fixed‐point 算法）1. fasticag.m  是这个工具箱的图形化界面2. fastica.m 是命令行版本其他文件都是被fasticag.m 和fastica.m 调用。被fasticag.m 和fastica.m 调用的函数1. fpica.m  计算独立成分的主要算法2.whitennv.m  白化数据3.pcamat.m  对数据pca 4.remmean.m  减去均值5. icaplot.m  画出信号的曲线图。根据参数不同有不同的调用方式，具体看程序前面的注释（偷懒了啊）只被fasticag.m 调用的函数1.gui_cb.m 2.gui_adv.m 3.gui_advc.m 4. gui_l.m 装载数据初始化高斯矩阵5.gui_lc.m 6.gui_s.m 7.gui_sc.m 8.gui_cg.m 9.gui_help.m 备注：fasticag.m 主要调用gui_cb.m  其它有的的是被gui_cb.m 调用的，总之，直接或间接它们是被fasticag.m 调用。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,取代了三、函数fasticag.m 和fastica.m 的使用说明fasticag.m 调用此函数时参数不是必要的。也可以输入参数fasticag(mixedsig, InitialGuess) mixedsig 是以多维信号为行向量的矩阵InitialGuess 给出算法混合矩阵的初始值fastica.m [Out1, Out2, 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。icasig 的每一行是估计出的独立成分（IC）2.[icasig, A, W] = fastica (mixedsig) mixedsig 是以多维信号为行向量的矩阵。icasig 的每一行是估计出的独立成分（IC）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出现，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‘approach’选择去相关的方法‘symm’并行估计独立成分‘delf’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‘g’非线性（nonlinearity）的不同方法'pow3' (default) g(u)=u^3北京理工大学计算机学院刘茜倾心制作'tanh' g(u)=tanh(a1*u) 'gauss g(u)=u*exp(‐a2*u^2/2) 'skew' g(u)=u^2‘finetune’调整（提高算法的统计性能）‘off’  不调整pow3'  调整时采用此非线性方法g(u)=u^3 'tanh' 调整时采用此非线性方法g(u)=tanh(a1*u) 'gauss 调整时采用此非线性方法g(u)=u*exp(‐a2*u^2/2) 'skew'  调整时采用此非线性方法g(u)=u^2‘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*u^2/2)中的参数a2,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法‘stabilization’‘on’ ‘off’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时还未收敛，mu 就会减半控制收敛‘epsilon’终止准则，默认为0.0001‘maxNumIterations’最大迭代次数，默认为1000‘sampleSize’一次迭代中的样本百分比（样本的选择是随机的），是0‐1之间的数字，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‘on’  默认‘off’‘displayMode’ ’画出正在运行的独立成分的估计‘signals’ ‘basis’ ‘filters’ ‘off’默认‘displayInterval’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’lastEig’决定了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’lastEig’’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’显示特征值给用户，用户可以和程序交互，选择特征值的范围。‘off’默认‘gui’用户可以使用和fasticag 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‘pcaE’（矩阵）特征向量‘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‘whiteMat’（矩阵）白化矩阵‘dewhiteMat’（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only 选项‘only’‘white’只进行白化程序调用方法：[whitesig, WM, DWM] = fastica(mixedsig, 'only', 'white')返回白化的信号、白化矩阵、去白化矩阵。在fastICA这个算法中白化矩阵主要用来白化和降维，去白化矩阵是白化矩阵的伪逆。‘pca’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‘all’默认值，进行白化‐降维‐ICA函数调用的例子：%使用'tanh' g(u)=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（IC）[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'); 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Transpose 来将矩阵转置。2.   点击Do ICA 来进行分析。3. 点击Save results 存储结果。在弹出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了变量A_FastICA , D_FastICA, E_FastICA IC_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Do ICA 有一样的进行主成份分析的效果，就是点击Do ICA 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Help 可以参见英文帮助