ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Blind Source Separation: Theory and Applications

دانلود کتاب جدایی منبع کور: نظریه و کاربردها

Blind Source Separation: Theory and Applications

مشخصات کتاب

Blind Source Separation: Theory and Applications

دسته بندی: موجک و پردازش سیگنال
ویرایش:  
نویسندگان: , ,   
سری:  
ISBN (شابک) : 1118679849, 9781118679845 
ناشر: Wiley 
سال نشر: 2014 
تعداد صفحات: 388 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 96 مگابایت 

قیمت کتاب (تومان) : 58,000



کلمات کلیدی مربوط به کتاب جدایی منبع کور: نظریه و کاربردها: ابزار دقیق، پردازش سیگنال



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 16


در صورت تبدیل فایل کتاب Blind Source Separation: Theory and Applications به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب جدایی منبع کور: نظریه و کاربردها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب جدایی منبع کور: نظریه و کاربردها



کاوش سیستماتیک الگوریتم‌های کلاسیک و معاصر در جداسازی منبع کور با مطالعات موردی عملی   

این کتاب مروری بر جداسازی منبع کور ارائه می‌کند. ، یک روش پردازش سیگنال نسبتاً جدید. با توجه به ماهیت چند رشته ای موضوع، این کتاب به گونه ای نوشته شده است که برای مخاطبان با زمینه های بسیار متفاوت جذاب باشد. مهارت های پایه ریاضی (مانند جبر ماتریس و مبانی نظریه احتمال) برای درک الگوریتم ها ضروری است، اگرچه کتاب به سبک مقدماتی و قابل دسترس نوشته شده است.

این کتاب یک نمای کلی از مبانی جداسازی منبع کور، راه‌حل‌ها و الگوریتم‌های مهم، و پوشش عمیق برنامه‌ها در استخراج ویژگی‌های تصویر، ادغام تصاویر سنجش از راه دور، تجزیه پیکسل‌های ترکیبی تصاویر SAR، تشخیص شیء تصویر پردازش تصویر پزشکی fMRI، داده‌کاوی ژئوشیمیایی و ژئوفیزیکی، پیش بینی منابع معدنی و شناسایی اطلاعات ژئوآنومالی ها در ابتدا، پیشینه و مبانی تئوری جداسازی منبع کور معرفی شده است که پایه و اساس کار زیر را فراهم می کند. عملیات ماتریس، مبانی نظریه احتمال و مبانی نظریه اطلاعات در اینجا گنجانده شده است. مدل ریاضی اساسی و الگوریتم‌های جداسازی منبع کور نسبتاً جدید اما نسبتاً تثبیت‌شده، مانند تجزیه و تحلیل مؤلفه‌های مستقل (ICA) و الگوریتم‌های بهبود یافته آن (ICA سریع، حداکثر احتمال ICA، ICA بیش از حد کامل، ICA هسته، ICA انعطاف‌پذیر، ICA غیرمنفی) دنبال می‌شود. ، ICA محدود، ICA بهینه شده). بخش آخر کتاب الگوریتم های بسیار اخیر در BSS را در نظر می گیرد. تجزیه و تحلیل اجزای پراکنده (SCA) و فاکتورسازی ماتریس غیر منفی (NMF). در همین حال، موارد عمیق برای هر الگوریتم ارائه شده است تا به خواننده کمک کند الگوریتم و زمینه کاربردی آن را درک کند.

  • کاوش سیستماتیک الگوریتم‌های کلاسیک و معاصر در جداسازی منبع کور با عملی مطالعات موردی
  • الگوریتم‌های بهبود یافته جدیدی را با هدف کاربردهای مختلف ارائه می‌کند، مانند استخراج ویژگی‌های تصویر، ادغام تصویر سنجش از راه دور، تجزیه پیکسل‌های ترکیبی تصاویر SAR، تشخیص اشیاء تصویر، و پردازش تصویر پزشکی MRI
  • با کاربرد در داده کاوی ژئوشیمیایی و ژئوفیزیکی، پیش بینی منابع معدنی و شناسایی اطلاعات ژئوآنومالی ها
  • نوشته شده توسط یک تیم متخصص با نوآوری های معتبر در جداسازی منابع کور و کاربردهای آن در علوم طبیعی
  • وب‌سایت همراه شامل یک سیستم نرم‌افزاری است که کدهای بسیاری از الگوریتم‌های ذکر شده در کتاب را ارائه می‌کند و تجربه یادگیری را افزایش می‌دهد

خواندن ضروری برای دانشجویان کارشناسی ارشد و محققانی که در زمینه پردازش سیگنال، داده‌ها فعالیت می‌کنند. استخراج، پردازش و تشخیص تصویر، اطلاعات، علوم زمین، علوم زیستی.


توضیحاتی درمورد کتاب به خارجی

A systematic exploration of both classic and contemporary algorithms in blind source separation with practical case studies   

The book presents an overview of Blind Source Separation, a relatively new signal processing method.  Due to the multidisciplinary nature of the subject, the book has been written so as to appeal to an audience from very different backgrounds. Basic mathematical skills (e.g. on matrix algebra and foundations of probability theory) are essential in order to understand the algorithms, although the book is written in an introductory, accessible style.

This book offers a general overview of the basics of Blind Source Separation, important solutions and algorithms, and in-depth coverage of applications in image feature extraction, remote sensing image fusion, mixed-pixel decomposition of SAR images, image object recognition fMRI medical image processing, geochemical and geophysical data mining, mineral resources prediction and geoanomalies information recognition. Firstly, the background and theory basics of blind source separation are introduced, which provides the foundation for the following work. Matrix operation, foundations of probability theory and information theory basics are included here. There follows the fundamental mathematical model and fairly new but relatively established blind source separation algorithms, such as Independent Component Analysis (ICA) and its improved algorithms (Fast ICA, Maximum Likelihood ICA, Overcomplete ICA, Kernel ICA, Flexible ICA, Non-negative ICA, Constrained ICA, Optimised ICA). The last part of the book considers the very recent algorithms in BSS e.g. Sparse Component Analysis (SCA) and Non-negative Matrix Factorization (NMF). Meanwhile, in-depth cases are presented for each algorithm in order to help the reader understand the algorithm and its application field.

  • A systematic exploration of both classic and contemporary algorithms in blind source separation with practical case studies
  • Presents new improved algorithms aimed at different applications, such as image feature extraction, remote sensing image fusion, mixed-pixel decomposition of SAR images, image object recognition, and MRI medical image processing
  • With applications in geochemical and geophysical data mining, mineral resources prediction and geoanomalies information recognition
  • Written by an expert team with accredited innovations in blind source separation and its applications in natural science
  • Accompanying website includes a software system providing codes for most of the algorithms mentioned in the book, enhancing the learning experience

Essential reading for postgraduate students and researchers engaged in the area of signal processing, data mining, image processing and recognition, information, geosciences, life sciences.



فهرست مطالب

About the Authors xiii
Preface xv
Acknowledgements xvii
Glossary xix

1 Introduction 1
1.1 Overview of Blind Source Separation 1
1.2 History of BSS 4
1.3 Applications of BSS 8
1.4 Contents of the Book 10
References 11

Part I BASIC THEORY OF BSS

2 Mathematical Foundation of Blind Source Separation 19
2.1 Matrix Analysis and Computing 19
2.2 Foundation of Probability Theory for Higher-Order Statistics 28
2.3 Basic Concepts of Information Theory 33
2.4 Distance Measure 37
2.5 Solvability of the Signal Blind Source Separation Problem 40
Further Reading 41

3 General Model and Classical Algorithm for BSS 43
3.1 Mathematical Model 43
3.2 BSS Algorithm 46
References 51

4 Evaluation Criteria for the BSS Algorithm 53
4.1 Evaluation Criteria for Objective Functions 53
4.2 Evaluation Criteria for Correlations 57
4.3 Evaluation Criteria for Signal-to-Noise Ratio 57
References 58

Part II INDEPENDENT COMPONENT ANALYSIS AND APPLICATIONS

5 Independent Component Analysis 61
5.1 History of ICA 61
5.2 Principle of ICA 65
5.3 Chapter Summary 82
References 83

6 Fast Independent Component Analysis and Its Application 85
6.1 Overview 85
6.2 FastICA Algorithm 89
6.3 Application and Analysis 92
6.4 Conclusion 118
References 119

7 Maximum Likelihood Independent Component Analysis and Its Application 121
7.1 Overview 121
7.2 Algorithms for Maximum Likelihood Estimation 123
7.3 Application and Analysis 130
7.4 Chapter Summary 133
References 133

8 Overcomplete Independent Component Analysis Algorithms and Applications 135
8.1 Overcomplete ICA Algorithms 135
8.2 Applications and Analysis 139
8.3 Chapter Summary 143
References 144

9 Kernel Independent Component Analysis 145
9.1 KICA Algorithm 145
9.2 Application and Analysis 147
9.3 Concluding Remarks 149
References 152

10 Natural Gradient Flexible ICA Algorithm and Its Application 153
10.1 Natural Gradient Flexible ICA Algorithm 153
10.2 Application and Analysis 156
10.3 Chapter Summary 166
References 166

11 Non-negative Independent Component Analysis and Its Application 167
11.1 Non-negative Independent Component Analysis 168
11.2 Application and Analysis 169
11.3 Chapter Summary 182
References 182

12 Constraint Independent Component Analysis Algorithms and Applications 183
12.1 Overview 183
12.2 CICA Algorithm 185
12.3 Application and Analysis 189
12.4 Chapter Summary 196
References 196

13 Optimized Independent Component Analysis Algorithms and Applications 199
13.1 Overview 199
13.2 Optimized ICA Algorithm 200
13.3 Application and Analysis 205
13.4 Chapter Summary 221
References 222

14 Supervised Learning Independent Component Analysis Algorithms and Applications 225
14.1 Overview 225
14.2 Mathematical Model 226
14.3 Principles of SL-ICA 227
14.4 SL-ICA Implementation Process 230
14.5 The Experiment 230
14.6 Chapter Summary 239
Appendix 14.A Polarization Channel SAR Images of Beijing and the Decomposition Results using SL-ICA 239
References 242

Part III ADVANCES AND APPLICATIONS OF BSS

15 Non-negative Matrix Factorization Algorithms and Applications 247
15.1 Introduction 247
15.2 NMF Algorithms 251
15.3 Applications and Analysis 276
15.4 Chapter Summary 309
References 310

16 Sparse Component Analysis and Applications 313
16.1 Overview 314
16.2 Linear Clustering SCA (LC-SCA) 321
16.3 Plane Clustering SCA (PC-SCA) 332
16.4 Over-Complete SCA Based on Plane Clustering (PCO-SCA) 336
16.5 Blind Image Separation Based on Wavelets and SCA (WL-SCA) 340
16.6 New BSS Algorithm Based on Feedback SCA 343
16.7 Remote Sensing Image Classification Based on SCA 351
16.8 Chapter Summary 357
References 357

Index 361




نظرات کاربران