ICA Full Form in Hindi




ICA Full Form in Hindi - ICA की पूरी जानकारी?

ICA Full Form in Hindi, ICA Kya Hota Hai, ICA का क्या Use होता है, ICA का Full Form क्या हैं, ICA का फुल फॉर्म क्या है, Full Form of ICA in Hindi, ICA किसे कहते है, ICA का फुल फॉर्म इन हिंदी, ICA का पूरा नाम और हिंदी में क्या अर्थ होता है, ICA की शुरुआत कैसे हुई, दोस्तों क्या आपको पता है ICA की Full Form क्या है और ICA होता क्या है, अगर आपका answer नहीं है, तो आपको उदास होने की कोई जरुरत नहीं है, क्योंकि आज हम इस पोस्ट में आपको ICA की पूरी जानकारी हिंदी भाषा में देने जा रहे है. तो फ्रेंड्स ICA Full Form in Hindi में और ICA की पूरी इतिहास जानने के लिए इस पोस्ट को लास्ट तक पढ़े.

ICA Full form in Hindi

ICA की फुल फॉर्म “Independent Component Analysis” होती है. ICA को हिंदी में “स्वतंत्र घटक विश्लेषण” कहते है. स्वतंत्र घटक विश्लेषण (आईसीए) एक मिश्रित संकेत से स्वतंत्र स्रोतों को अलग करने के लिए एक मशीन सीखने की तकनीक है. प्रमुख घटक विश्लेषण के विपरीत, जो डेटा बिंदुओं के विचरण को अधिकतम करने पर केंद्रित है, स्वतंत्र घटक विश्लेषण स्वतंत्रता, यानी स्वतंत्र घटकों पर केंद्रित है.

स्वतंत्र घटक विश्लेषण (आईसीए) छिपे हुए कारकों को प्रकट करने के लिए एक सांख्यिकीय और कम्प्यूटेशनल तकनीक है जो यादृच्छिक चर, माप या संकेतों के सेट के अंतर्गत आता है. आईसीए देखे गए बहुभिन्नरूपी डेटा के लिए एक जनरेटिव मॉडल को परिभाषित करता है, जिसे आमतौर पर नमूनों के एक बड़े डेटाबेस के रूप में दिया जाता है. मॉडल में, डेटा चर को कुछ अज्ञात अव्यक्त चर के रैखिक मिश्रण माना जाता है, और मिश्रण प्रणाली भी अज्ञात है. अव्यक्त चरों को गैर-गौसियन और परस्पर स्वतंत्र माना जाता है, और उन्हें प्रेक्षित डेटा के स्वतंत्र घटक कहा जाता है. ये स्वतंत्र घटक, जिन्हें स्रोत या कारक भी कहा जाता है, ICA द्वारा खोजे जा सकते हैं. आईसीए सतही तौर पर प्रमुख घटक विश्लेषण और कारक विश्लेषण से संबंधित है. आईसीए एक अधिक शक्तिशाली तकनीक है, हालांकि, जब ये क्लासिक तरीके पूरी तरह से विफल हो जाते हैं तो अंतर्निहित कारकों या स्रोतों को खोजने में सक्षम होते हैं. आईसीए द्वारा विश्लेषण किया गया डेटा डिजिटल छवियों, दस्तावेज़ डेटाबेस, आर्थिक संकेतक और साइकोमेट्रिक माप सहित कई अलग-अलग प्रकार के अनुप्रयोग क्षेत्रों से उत्पन्न हो सकता है. कई मामलों में, माप समानांतर संकेतों या समय श्रृंखला के एक सेट के रूप में दिए जाते हैं; इस समस्या को चिह्नित करने के लिए ब्लाइंड सोर्स सेपरेशन शब्द का इस्तेमाल किया जाता है. विशिष्ट उदाहरण एक साथ भाषण संकेतों के मिश्रण हैं जिन्हें कई माइक्रोफ़ोन द्वारा उठाया गया है, कई सेंसर द्वारा रिकॉर्ड की गई मस्तिष्क तरंगें, मोबाइल फोन पर आने वाले रेडियो सिग्नल में हस्तक्षेप, या कुछ औद्योगिक प्रक्रिया से प्राप्त समानांतर समय श्रृंखला.

What Is ICA In Hindi

एक यादृच्छिक वेक्टर के रैखिक परिवर्तन को सीखने के लिए स्वतंत्र घटक विश्लेषण एक संभाव्य विधि है. लक्ष्य उन घटकों को खोजना है जो अधिकतम स्वतंत्र और गैर-गॉसियन (गैर-सामान्य) हैं. शास्त्रीय बहु-भिन्न सांख्यिकीय विधियों के लिए इसका मौलिक अंतर गैर-गौसियनिटी की धारणा में है, जो शास्त्रीय तरीकों के विपरीत मूल, अंतर्निहित घटकों की पहचान को सक्षम बनाता है. स्वतंत्र घटक विश्लेषण का मूल सिद्धांत मुख्य रूप से 1990 के दशक में विकसित किया गया था और संक्षेप में, उदाहरण के लिए, 2001 में हमारे मोनोग्राफ में. यहां, हम वर्ष 2000 के बाद से सिद्धांत में कुछ हालिया विकासों का अवलोकन प्रदान करते हैं. मुख्य विषय हैं: का विश्लेषण कारण संबंध, स्वतंत्र घटकों का परीक्षण, कई डेटासेट (तीन-तरफा डेटा) का विश्लेषण, घटकों के बीच मॉडलिंग निर्भरता और बुनियादी मॉडल के आकलन के लिए बेहतर तरीके.

अक्सर ऐसा होता है कि एक वैज्ञानिक उपकरण द्वारा प्रदान किए गए माप में दिलचस्प घटनाएं मिश्रित होती हैं. उदाहरण के लिए, इलेक्ट्रोएन्सेफलोग्राफी के रूप में खोपड़ी पर रखा एक इलेक्ट्रोड मस्तिष्क के कई क्षेत्रों की विद्युत गतिविधियों के भारित योग को मापता है. एक माइक्रोफोन वातावरण में विभिन्न स्रोतों से आने वाली ध्वनियों को मापता है. अधिक सार स्तर पर, जीन अभिव्यक्ति स्तर को कई अलग-अलग जैविक प्रक्रियाओं का योग माना जा सकता है. वैज्ञानिक जांच में एक मौलिक लक्ष्य अंतर्निहित, मूल संकेतों या प्रक्रियाओं को खोजना है जो आम तौर पर महत्वपूर्ण जानकारी प्रदान करते हैं जिन्हें प्रत्यक्ष या स्पष्ट रूप से देखे गए संकेतों में नहीं देखा जा सकता है.

स्वतंत्र घटक विश्लेषण को ऐसे बहु-भिन्न डेटा के विश्लेषण के एक मौलिक तरीके के रूप में स्थापित किया गया है. यह डेटा के रैखिक अपघटन (रूपांतरण) को सीखता है, जैसे कि कारक विश्लेषण और प्रमुख घटक विश्लेषण (पीसीए) के अधिक शास्त्रीय तरीके. हालांकि, कई मामलों में जहां शास्त्रीय तरीके विफल हो जाते हैं, आईसीए देखे गए डेटा में मिश्रित अंतर्निहित घटकों और स्रोतों को खोजने में सक्षम है. आईसीए अपने सांख्यिकीय गुणों की कुछ सरल मान्यताओं द्वारा मूल घटकों या स्रोतों को खोजने का प्रयास करता है. अन्य तरीकों के विपरीत नहीं, अंतर्निहित प्रक्रियाओं को एक दूसरे से स्वतंत्र माना जाता है, जो कि यथार्थवादी है यदि वे अलग-अलग भौतिक प्रक्रियाओं के अनुरूप हैं. हालांकि, पीसीए और कारक विश्लेषण से आईसीए को जो अलग करता है वह यह है कि यह डेटा की गैर-गॉसियन संरचना का उपयोग करता है, जो डेटा बनाने वाले अंतर्निहित घटकों को पुनर्प्राप्त करने के लिए महत्वपूर्ण है.

आईसीए इस अर्थ में एक अनुपयोगी तरीका है कि यह इनपुट डेटा को एकल डेटा मैट्रिक्स के रूप में लेता है. सिस्टम के वांछित 'आउटपुट' को जानना या माप को विभिन्न स्थितियों में विभाजित करना आवश्यक नहीं है. यह कुछ प्रयोगात्मक रूप से हेरफेर किए गए चर के आधार पर शास्त्रीय वैज्ञानिक विधियों के विपरीत है, जैसा कि प्रतिगमन या वर्गीकरण विधियों में औपचारिक रूप से किया गया है. आईसीए इस प्रकार एक खोजपूर्ण, या डेटा-संचालित विधि है: हम विभिन्न प्रयोगात्मक स्थितियों को डिजाइन किए बिना बस कुछ सिस्टम या घटना को माप सकते हैं. आईसीए का उपयोग डेटा की संरचना की जांच के लिए किया जा सकता है जब उपयुक्त परिकल्पना उपलब्ध नहीं होती है, या उन्हें बहुत सीमित या सरल माना जाता है.

स्वतंत्र घटक विश्लेषण (आईसीए) एक व्यापक रूप से इस्तेमाल किया जाने वाला अंधा स्रोत पृथक्करण तकनीक है. आईसीए को कई आवेदनों पर लागू किया गया है. आईसीए का उपयोग आमतौर पर ब्लैक बॉक्स के रूप में किया जाता है, इसके आंतरिक विवरण को समझे बिना. इसलिए, इस पत्र में, आईसीए की मूल बातें यह दिखाने के लिए प्रदान की जाती हैं कि यह इस क्षेत्र में रुचि रखने वाले शोधकर्ताओं के लिए एक व्यापक स्रोत के रूप में कैसे काम करता है. यह पेपर आईसीए की परिभाषा और अंतर्निहित सिद्धांतों को पेश करके शुरू होता है. इसके अतिरिक्त, आईसीए के प्रीप्रोसेसिंग चरणों और आईसीए में मिक्सिंग और अनमिक्सिंग प्रक्रियाओं को समझाने के लिए चरण-दर-चरण दृष्टिकोण में विभिन्न संख्यात्मक उदाहरणों का प्रदर्शन किया जाता है. इसके अलावा, विभिन्न आईसीए एल्गोरिदम, चुनौतियां और अनुप्रयोग प्रस्तुत किए जाते हैं.

प्रिंसिपल कंपोनेंट एनालिसिस (पीसीए) और इंडिपेंडेंट कंपोनेंट एनालिसिस (आईसीए) पर दो-भाग की श्रृंखला में यह अंतिम पोस्ट है. यद्यपि तकनीकें समान हैं, वे वास्तव में अलग-अलग दृष्टिकोण हैं और विभिन्न कार्य करते हैं. इस पोस्ट में, मैं आईसीए के लिए एक उच्च स्तरीय परिचय प्रदान करूंगा, इसकी पीसीए से तुलना करूंगा, और ईईजी डेटा से ब्लिंक कलाकृतियों को हटाने के लिए आईसीए का उपयोग करने का एक उदाहरण दूंगा.

आईसीए का वर्णन करने के लिए इस्तेमाल की जाने वाली मानक समस्या "कॉकटेल पार्टी समस्या" है. अपने सरलतम रूप में, कल्पना कीजिए कि दो लोग कॉकटेल पार्टी में बातचीत कर रहे हैं (जैसे ऊपर लाल और नीले स्पीकर). किसी भी कारण से, आपके पास पार्टी में जाने वालों के पास दो माइक्रोफ़ोन हैं (जैसे ऊपर बैंगनी और गुलाबी माइक्रोफ़ोन). व्यक्ति और माइक्रोफ़ोन के बीच की दूरी के आधार पर दोनों आवाज़ें दोनों माइक्रोफोनों द्वारा अलग-अलग मात्रा में सुनी जाती हैं. दूसरे शब्दों में, हम दो फाइलों को रिकॉर्ड करते हैं जिसमें दो पार्टी-गोअर्स से एक साथ मिश्रित ऑडियो शामिल होता है. समस्या यह है कि, हम प्रत्येक स्पीकर की अलग-अलग रिकॉर्डिंग प्राप्त करने के लिए प्रत्येक फ़ाइल में दो आवाज़ों को कैसे अलग कर सकते हैं?

स्वतंत्र घटक विश्लेषण (आईसीए) के साथ इस समस्या को आसानी से हल किया जाता है जो वैक्टर के एक सेट को अधिकतम स्वतंत्र सेट में बदल देता है. हमारी "कॉकटेल पार्टी समस्या" पर लौटते हुए, ICA दो मिश्रित ऑडियो रिकॉर्डिंग (नीचे बैंगनी और गुलाबी तरंगों द्वारा दर्शाई गई) को प्रत्येक व्यक्तिगत स्पीकर की दो अमिश्रित रिकॉर्डिंग (नीचे नीले और लाल तरंगों द्वारा दर्शाया गया) में बदल देगा. ध्यान दें, कि इनपुट और आउटपुट की संख्या समान है, और चूंकि आउटपुट परस्पर स्वतंत्र हैं, इसलिए प्रिंसिपल कंपोनेंट एनालिसिस (पीसीए) जैसे घटकों को छोड़ने का कोई स्पष्ट तरीका नहीं है.

यह काम किस प्रकार करता है ?

आईसीए में दो प्रमुख धारणाएं बनाई गई हैं. हम जिन छिपे हुए स्वतंत्र घटकों को उजागर करने का प्रयास कर रहे हैं, वे एक, सांख्यिकीय रूप से स्वतंत्र और दो, गैर-गॉसियन होने चाहिए. सिमेंटिक रूप से, स्वतंत्र से मेरा मतलब है कि x के बारे में जानकारी आपको y के बारे में जानकारी नहीं देती है और इसके विपरीत. गणितीय रूप से, यह अनुवाद करता है,

जहाँ, p(x) x के प्रायिकता बंटन को दर्शाता है. p(x,y) x और y के संयुक्त वितरण को दर्शाता है. गैर-गॉसियन धारणा का सीधा सा मतलब है कि स्वतंत्र घटकों में ऐसे वितरण होते हैं जो गाऊसी नहीं होते हैं, जिसका अर्थ है कि यह घंटी वक्र की तरह नहीं दिखता है.

तंत्रिका नेटवर्क अनुसंधान के साथ-साथ कई अन्य विषयों में एक मूलभूत समस्या बहुभिन्नरूपी डेटा, यानी यादृच्छिक वैक्टर का उपयुक्त प्रतिनिधित्व ढूंढ रही है. कम्प्यूटेशनल और वैचारिक सादगी के कारणों के लिए, प्रतिनिधित्व अक्सर मूल डेटा के रैखिक परिवर्तन के रूप में मांगा जाता है. दूसरे शब्दों में, प्रतिनिधित्व का प्रत्येक घटक मूल चर का एक रैखिक संयोजन है. प्रसिद्ध रैखिक परिवर्तन विधियों में प्रमुख घटक विश्लेषण, कारक विश्लेषण और प्रक्षेपण खोज शामिल हैं. स्वतंत्र घटक विश्लेषण (आईसीए) एक हाल ही में विकसित विधि है जिसमें लक्ष्य गैर-गॉसियन डेटा का रैखिक प्रतिनिधित्व खोजना है ताकि घटक सांख्यिकीय रूप से स्वतंत्र हों, या यथासंभव स्वतंत्र हों. ऐसा प्रतिनिधित्व फीचर निष्कर्षण और सिग्नल पृथक्करण सहित कई अनुप्रयोगों में डेटा की आवश्यक संरचना को कैप्चर करता प्रतीत होता है. इस पत्र में, हम आईसीए के मूल सिद्धांत और अनुप्रयोग, और इस विषय पर हमारे हालिया कार्य को प्रस्तुत करते हैं.

समस्या: उन स्रोतों से संकेतों से बने मिश्रित संकेत से स्वतंत्र स्रोतों के संकेतों को निकालने के लिए.

दिया गया: पांच अलग-अलग स्वतंत्र स्रोतों से मिश्रित संकेत.

समाधान: स्वतंत्र घटक विश्लेषण (आईसीए) -

स्वतंत्र घटक विश्लेषण द्वारा हल की गई समस्या को समझने के लिए कॉकटेल पार्टी समस्या या ब्लाइंड सोर्स सेपरेशन समस्या पर विचार करें.

इधर, लोगों से भरे कमरे में पार्टी चल रही है. उस कमरे में वक्ताओं की संख्या 'एन' है और वे पार्टी में एक साथ बोल रहे हैं. एक ही कमरे में, स्पीकर से अलग-अलग दूरी पर 'एन' संख्या में माइक्रोफोन भी लगे होते हैं जो 'एन' स्पीकर्स 'वॉयस सिग्नल रिकॉर्ड कर रहे होते हैं. इसलिए, वक्ताओं की संख्या कमरे में आवश्यक माइक्रोफोनों की संख्या के बराबर है. अब, इन माइक्रोफ़ोन की रिकॉर्डिंग का उपयोग करते हुए, हम कमरे में सभी 'एन' स्पीकर' वॉयस सिग्नल को अलग करना चाहते हैं, क्योंकि प्रत्येक माइक्रोफ़ोन ने उनके बीच की दूरी में अंतर के कारण अलग-अलग तीव्रता के प्रत्येक स्पीकर से आने वाले वॉयस सिग्नल रिकॉर्ड किए हैं. प्रत्येक माइक्रोफोन की रिकॉर्डिंग के मिश्रित सिग्नल को स्वतंत्र स्रोत के स्पीच सिग्नल में विघटित करना मशीन लर्निंग तकनीक, स्वतंत्र घटक विश्लेषण का उपयोग करके किया जा सकता है.

[ X1, X2, ….., Xn ] => [Y1, Y2, ….., Yn ]

जहां, X1, X2,…, Xn मिश्रित सिग्नल में मौजूद मूल सिग्नल हैं और Y1, Y2,…, Yn नई विशेषताएं हैं और स्वतंत्र घटक हैं जो एक दूसरे से स्वतंत्र हैं.

आईसीए पर प्रतिबंध -

आईसीए द्वारा उत्पन्न स्वतंत्र घटकों को एक दूसरे से सांख्यिकीय रूप से स्वतंत्र माना जाता है.

आईसीए द्वारा उत्पन्न स्वतंत्र घटकों में गैर-गाऊसी वितरण होना चाहिए.

आईसीए द्वारा उत्पन्न स्वतंत्र घटकों की संख्या देखे गए मिश्रणों की संख्या के बराबर है.