相依高斯源非平稳混合的贝叶斯分离

@正在进行{Genaga2005BaysianSO，title={相关高斯源非平稳混合的贝叶斯分离}，author={Deniz Gençaga和Ercan Engin Kuruoglu和Aysin Ert{\“u}z{\”u}n}，年份={2005}，网址={https://api.semanticscholar.org/CorpusID:1298774}}
提出了一种DCA算法，该算法结合了粒子滤波器和马尔可夫链蒙特卡罗方法的概念，以分离空间相关高斯源的非平稳混合物。
通过Publisher查看
busim.ee.boun.edu.tr公司
3引文
背景引文
1

本文中的数字

3引文

基于颜色通道相关性的图像源分离

本文在贝叶斯框架下，利用彩色通道相关性研究图像中的源分离问题，并利用吉布斯采样算法获得源的MAP估计，因为采用了非高斯先验。

基于粒子滤波的合成孔径雷达图像增强

计算机仿真表明，与Gamma Maximum a Posterriori（MAP）滤波器的结果相比，该方法具有更好的边缘保持效果和令人满意的斑点去除效果。

摘要：使用序贯蒙特卡罗分离交叉相关过程的非平稳混合物

13参考文献

基于混合模型的在线非平稳ICA

本文利用最先进的粒子滤波方法，通过一系列非平稳混合矩阵线性组合高斯混合源，解决了在线源分离问题。

非稳态ICA的粒子滤波器

特别是在过去的十年里，独立分量分析方法在盲源分离和反褶积中引起了很大的兴趣，ICA解被证明是隐变量模型的最大似然点。

源分离的贝叶斯方法

本文提出了一种基于贝叶斯估计的统一信源分离方法，并提出了基于最大后验估计的新方法，可以直接估计信源，也可以直接估计混合矩阵，甚至同时估计两者。

盲源分离的贝叶斯方法

提出了一种盲源分离问题的贝叶斯统计方法，并阐述了其相对于其他方法的优势。

源分离的贝叶斯方法

研究表明，源分离问题非常适合于贝叶斯方法，贝叶斯提供了一种自然且逻辑一致的方法，通过该方法可以结合先验知识来估计给定该知识的最可能解。

多元贝叶斯统计：源分离和信号分离模型

第7章为模拟器的测试提供了有用的方法，并重新审视了形式模型比较的问题，以及应用研究人员更容易使用的条件独立性和比例性。

贝叶斯滤波的序贯蒙特卡罗抽样方法

本文概述了典型非线性和非高斯离散时间动态模型的后验分布序列模拟方法，以及如何结合与确定性滤波文献中先前使用的方法类似的局部线性化方法。

独立性假设：相关成分分析

提出了一种基于输出互谱重叠最小化的非正交信号分离算法，并证明了该原理也可以利用高阶循环平稳特性分离谱重叠信号。

基于模型的音频源分离的粒子滤波器

本文提出了一个源分离问题的原始模型，该模型考虑了底层过程的所有非平稳性，并提出了一个依赖于粒子滤波技术的有效数值解。

独立成分分析

讨论了一种称为独立成分分析的统计生成模型，该模型显示了稀疏编码如何被解释为提供了贝叶斯先验，并回答了稀疏编码框架中没有正确回答的一些问题。