MNF推导

      MNF是由Green等[65]于1988年在PCA的基础上提出。MNF首先对数据噪声进行估计,得到噪声协方差矩阵,用于分离和调节数据中的噪声,去除数据噪声的相关性,并对噪声进行归一化处理,得到方差为1且不相关的噪声数据;然后,分别对噪声数据和信号数据进行PCA变换,并求PCA变换后数据的信噪比;最后,由大到小排列信噪比,得到数据的各主成分信息。PCA是根据方差大小来获取主成分信息,而MNF是由信噪比大小来确定主成分信息,减少了噪声的影响。

     通过高通滤波器模板对数据X进行分离,得到噪声XN和信号XS,则有:


通过最大化变换后数据的信噪比,即最大化信号协方差与噪声协方差的比值,得到变换矩阵V


式中,YNYS分别为变换后数据的噪声和信号,Cov(·)表示协方差,CNCS分别为数据的噪声和信号的协方差,CN= Cov(XN),CS= Cov(XS)。式(2.13)的优化问题可等价为:



式中,C表示数据的总体协方差,C= Cov(X),C =CN + CS。根据拉格朗日乘子法,式(2.14)的最优解为:


根据式(2.15)从大到小排列特征值,取前d个特征值对应的特征向量,可得到转换矩阵:


你可能感兴趣的:(MNF,特征提取,入门算法)