Resumen

El análisis de componentes independientes (ICA) es un enfoque ampliamente aplicable y eficaz en la separación ciega de fuentes (BSS), con las limitaciones de que las fuentes son estadísticamente independientes. Sin embargo, la situación más común es la separación ciega de fuentes para el modelo lineal no negativo (NNLM), donde las observaciones son combinaciones lineales no negativas de fuentes no negativas, y las fuentes pueden ser estadísticamente dependientes. Proponemos un enfoque de factorización de matrices no negativas de expresión de patrones (PE-NMF) desde el punto de vista de la utilización de vectores base de forma más eficaz para expresar patrones. Se introducen dos términos de regularización o penalización que se añaden a la función de pérdida original de una factorización matricial no negativa (NMF) estándar para la expresión efectiva de patrones con vectores base en la PE-NMF. Se presenta el algoritmo de aprendizaje y se demuestra teóricamente la convergencia del algoritmo. Tres ejemplos ilustrativos sobre la separación ciega de fuentes, incluyendo la corrección de la heterogeneidad para los datos de microarrays de genes, indican que las fuentes se pueden recuperar con éxito con la PE-NMF propuesta cuando los dos parámetros se pueden elegir adecuadamente a partir del conocimiento previo del problema.

• Materias:Reacciones químicas Microorganismos Farmacología Iones Química bioinorgánica
• Subjects:Chemical reactions Microorganisms Pharmacology Ions Bioinorganic chemistry
• Palabras claves:separación ciega de fuentes, factorización matricial no negativa, vector base, nmf, función de pérdida original, modelo lineal no negativo, fuente, expresión de patrón, datos de microarrays de genes, análisis de componentes independientes
• Keywords:blind source separation, nonnegative matrix factorization, basis vector, nmf, original loss function, nonnegative linear model, source, expression of pattern, gene microarray data, independent components analysis