Advertisement

Komponentenanalyse

  • Karl Siebertz
  • David van Bebber
  • Thomas Hochkirchen
Chapter
Part of the VDI-Buch book series (VDI-BUCH)

Zusammenfassung

Gegebene Mess- oder Simulationsdaten können miteinander korrelierende, ähnliche Zusammenhänge oder vermischte redundante Informationen aufweisen, wodurch eine aussagekräftige Analyse erschwert wird. Zur Strukturierung, Vereinfachung oder zum besseren Verständnis der Daten ist es dann sinnvoll, die Originalvariablen durch neue Ersatzvariablen abzubilden, welche sich aus einer Kombination der ursprünglichen Daten ermitteln lassen. Dieses Kapitel beschreibt zuerst Verfahren aus dem Bereich der Hauptkomponentenanalyse zur Transformation von Daten in ein neues Koordinatensystem, welches die Zusammenhänge der Daten besser abbildet. Besonders vorteilhaft sind die Verfahren, wenn zusätzlich eine Reduktion der signifikanten Variablen erfolgt. Die Unabhängigkeitsanalyse geht davon aus, dass gegebene Messsignale eine Mischung aus unabhängigen aber unbekannten Signalen sind. Ziel der Analyse ist es dann, die ursprünglichen Originalsignale aus den vermischten Signaldaten zu extrahieren.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1. Berrar, D.P., Dubitzky, W., Granzow, M. (eds.): A Practical Approach to Microarray Data Analysis. Springer (2002) 396Google Scholar
  2. 2. Cover, T.M., Thomas, J.: Elements of information theory. Wiley, Wiley Series in Telecommunications and Signal Processing (2006) 408Google Scholar
  3. 3. Gunn, S.R.: Support Vector Machines for Classification and Regression. Tech. rep., University of Southampton (1998). URL http://users.ecs.soton.ac.uk/srg/publications/pdf/SVM.pdf. (abgerufen 11/2016) 268, 400
  4. 4. Huber, P.: Projection pursuit. The Annals of Statistics 13(2), pp. 435–475 (1985) 408Google Scholar
  5. 5. Hyvärinen, A.: New approximations of differential entropy for independent component analysis and projection pursuit. In: Proceedings of the 1997 conference on Advances in Neural Information Processing Systems 10, NIPS ’97, pp. 273–279. MIT Press, Cambridge, MA, USA (1998) 409Google Scholar
  6. 6. Hyvärinen, A.: Fast and Robust Fixed-Point Algorithms for Independent Component Analysis. IEEE Transactions on Neural Networks 10(3), pp. 626–634 (1999) 410Google Scholar
  7. 7. Hyvärinen, A., Oja, E.: A fast fixed point algorithm for independent component analysis. Neural Computation 9(7), pp. 1483–1492 (1997) 410Google Scholar
  8. 8. Hyvärinen, A., Oja, E.: Independent Component Analysis: Algorithms and Applications. Neural Networks 13(4-5), pp. 411–430 (2000) 403, 405, 406, 407, 408, 409, 410, 411Google Scholar
  9. 9. Hyvärinen, A.: FastICA: Publications (2013). URL http://www.cs.helsinki.fi/u/ahyvarin/papers/fastica.shtml. (abgerufen 11/2016) 403, 410
  10. 10. Jones, M., Sibson, R.: What is projection Pursuit? Journal of the Royal Statistical Society 150, pp. 1–36 (1987) 408Google Scholar
  11. 11. Karhunen, J., Hyvärinen, A., Oja, E.: Independent Component Analysis (ICA) and Blind Source Separation (BSS) (2013). URL http://research.ics.aalto.fi/ica/newindex.shtml. (abgerufen 11/2016) 403, 410
  12. 12. Keralapura, M., Pourfathi, M., Sirkeci-Mergen, B.: Impact of Contrast Functions in Fast-ICA on Twin ECG Separation. IAENG International Journal of Computer Science 38 (2011) 410, 411Google Scholar
  13. 13. Luenberger, D.G.: Optimization by Vector Space Methods. Wiley Professional (1969) 411Google Scholar
  14. 14. Papoulis, A.: Probability, Random Variables, and Stochastic Processes. McGraw-Hill (1990) 408Google Scholar
  15. 15. Pearson, K.: On Lines and Planes of Closest Fit to Systems of Points in Space. Philosophical Magazine 2(11), p. 559–572 (1901). URL http://stat.smmu.edu.cn/history/pearson1901.pdf. (abgerufen 11/2016) 396
  16. 16. Press, W.H., Teukolsky, S.A., Vetterling, W.T., Flannery, B.P.: Numerical Recipes: The Art of Scientific Computing. Cambridge University Press (2007) 199, 203, 220, 254, 265, 276, 277, 281, 285, 307, 334, 381, 398, 400Google Scholar
  17. 17. Schölkopf, B., Müller, K.R., Smola, A.: Nonlinear component analysis as a kernel eigenvalue problem. Neural Computation 10, pp. 1299–1319 (1998) 400, 401Google Scholar
  18. 18. Schölkopf, B., Müller, K.R., Smola, A.: Lernen mit Kernen. Informatik Forschung und Entwicklung 14, pp. 154–163 (1999) 400, 401Google Scholar
  19. 19. Schölkopf, B., Smola, A.J., Müller, K.R.: Kernel Principal Component Analysis. In: B. Schölkopf, C.J.C. Burges., A.J. Smola (eds.) Advances in Kernel Methods, pp. 327–352. MIT Press, Cambridge, MA, USA (1999) 400Google Scholar
  20. 20. Wall, M.E., Rechtsteiner, A., Rocha, L.M.: Singular Value Decomposition and Principal Component Analysis. A Practical Approach to Microarray Data Analysis (2002). URL http://arxiv.org/abs/physics/0208101. (abgerufen 11/2016) 396
  21. 21. Wikipedia: Faktoranalyse. URL http://de.wikipedia.org/wiki/Faktorenanalyse. (abgerufen 2012,2016) 395
  22. 22. Wikipedia: Hauptkomponentenanalyse. URL http://de.wikipedia.org/wiki/Hauptkomponentenanalyse. (abgerufen 2012,2016) 395
  23. 23. Wikipedia: Kernel Principal Component Analysis. URL http://en.wikipedia.org/wiki/Kernel_principal_component_analysis. (abgerufen 2012,2016) 400
  24. 24. Wikipedia: Maximum Likehood Methode. URL http://de.wikipedia.org/wiki/Maximum-Likelihood-Methode. (abgerufen 2012,2016) 409
  25. 25. Wikipedia: Pseudoinverse. URL http://de.wikipedia.org/wiki/Pseudoinverse. (abgerufen 2012,2016) 400
  26. 26. Wikipedia: Singular value decomposition. URL http://en.wikipedia.org/wiki/Singular_value_decomposition. (abgerufen 2012,2016) 398
  27. 27. Wikipedia: Transinformation. URL http://de.wikipedia.org/wiki/Transinformation. (abgerufen 2013,2016) 409
  28. 28. Wikipedia: Zentraler Grenzwertsatz. URL http://de.wikipedia.org/wiki/Zentraler_Grenzwertsatz. (abgerufen 2013,2016) 407

Copyright information

© Springer-Verlag GmbH Deutschland 2017

Authors and Affiliations

  • Karl Siebertz
    • 1
  • David van Bebber
    • 2
  • Thomas Hochkirchen
    • 3
  1. 1.AldenhovenDeutschland
  2. 2.AachenDeutschland
  3. 3.VaalsNiederlande

Personalised recommendations