Respuesta Corta:
La agrupación y ciego de la señal de separación (SEV) a menudo se utilizan juntos en una aplicación, y cuando este es el caso, el BSS algoritmo viene primero como un pre-procesamiento de paso, con el fin de "reducir la dimensión del problema". El original de los insumos pueden entonces ser en consecuencia "corte" antes de ser alimentados en un algoritmo de clústeres de manera óptima el segmento de los ahora de orden inferior problema. Dado que las dimensiones se han reducido, el resultado de la agrupación en clústeres pueden ahora ser fácilmente visualizadas en 2 o 3 dimensiones.
En "input-[proceso]-salida", hemos vinculado, de tres pasos de filtro:
input (high dimensional, mixed source) -> [Blind signal separation] ...
-> ranking of features -> [Dimension reduction] -> lower dimensional inputs ...
-> [Clustering] -> optimal segmentation.
Elaborar:
Supongamos que sus entradas son los vectores, es decir, cada uno de los puntos de datos / muestras tiene un número de atributos, decir $n$ de ellos.
Agrupación:
En términos simples, la agrupación se lleva las entradas, los considera en un $n$-dimensiones del espacio, y, dado un número de destino de los clusters, se ejecuta un algoritmo matemático para decidir cuál debe ser el centro de cada grupo y los puntos que deben ser asignados a pertenecer a la cual clúster.
Así que la agrupación es esencialmente matemática de la segmentación de los datos en grupos (óptima segmentación si se quiere).
Pero el reto con el uso de la agrupación en su cruda vector de entradas es que el algoritmo es tener que trabajar en $n$ espacio tridimensional, lo que significa que es difícil de visualizar, y, si muchos de los atributos están correlacionadas, entonces esas dimensiones extra no agregar mucho valor en el problema de la identificación de los mejores racimos.
Entrar en separación ciega de fuentes...
Separación Ciega De Fuentes:
Ciego separación de señal (SEV), por otro lado, es acerca de cómo separar una mezcla en sus componentes individuales.
De nuevo, en términos simples, supongamos que usted tiene un proceso que "mezcla" o confunde un número de pura señales en un agregado en su conjunto. Como un ejemplo, piensa en tomar una grabación de una serie de micrófonos situado en una orquesta hall, donde hay una serie de instrumentos tocando la misma melodía, pero donde también hay un poco de locales charlando entre el público. La grabación resultante es una mezcla de todo esto.
La pregunta en este caso es, a partir de la entrada mixto, y sin saber cómo la mezcla está compuesta, puede tomar la salida (de grabación) y separar el individuo vectores de entrada?
Así BSS es esencialmente un problema inverso en el cual se inicia con una mezcla de entrada y el intento de separar los distintos elementos que entraron en el proceso de mezcla.
BSS, Reducción de dimensiones, y la Agrupación:
Dije al principio que la agrupación y BSS a menudo se utilizan juntos. La razón por la que trae en el concepto de reducción de dimensionalidad.
La entrada en BSS se compone de la mezcla de las señales más ruido (no correlacionados, ruido blanco, por ejemplo, o baja correlación fuentes de poco interés).
BSS funciona mediante la identificación, de un número de 'funciones' acerca de las señales (expresiones matemáticas que involucran los atributos individuales de cada vector), las características que los 'explicar' la mayor variación en los datos.
Estas características pueden ser calificadas en orden descendente. Tomando las tres primeras características, por ejemplo, se llega a una mucho más manejable el número de dimensiones en la que se realiza la agrupación.
Un ejemplo típico y aplicación en el mundo real:
Así, en un ejemplo típico, que uno podría aplicar PCA (análisis de componentes principales), el cual es un tipo de BSS algoritmo -- a un conjunto de datos a "descubrir" el top 3 de las características que son más útiles en la explicación de la variación en el conjunto de datos y, a continuación, utilizar la matemática agrupación sólo en esos 3 características para identificar los segmentos en los que los datos se pueden dividir.
He visto esta combinación enfoque utilizado con mucho éxito en el problema de la clasificación no supervisada de aprendizaje) de la parte inferior orientada a sonar las señales para determinar automáticamente el tipo de fondo de mar que un buque que viaja a través de: barro, arena, rocas, sin tener que enviar un buceador para comprobar.
Así, cuando se utiliza en combinación, estas técnicas pueden llegar a ser muy poderosas herramientas.
