Abstract
This paper proposes an efficient separation method of the composite images by using independent component analysis(ICA) based on neural networks of the approximate learning algorithm. The Proposed learning algorithm is the fixed point(FP) algorithm based on Secant method which can be approximately computed by only the values of function for estimating the root of objective function for optimizing entropy. The secant method is an alternative of the Newton method which is essential to differentiate the function for estimating the root. It can achieve a superior property of the FP algorithm for ICA due to simplify the composite computation of differential process. The proposed algorithm has been applied to the composite signals and image generated by random mixing matrix in the 4 signal of 500-sample and the 10 images of $512{\times}512-pixel$, respectively The simulation results show that the proposed algorithm has better performance of the learning speed and the separation than those using the conventional algorithm based method. It also solved the training performances depending on initial points setting and the nonrealistic learning time for separating the large size image by using the conventional algorithm.
본 연구에서는 근사화된 학습알고리즘의 신경망 기반 독립성분분석에 의한 효율적인 복합영상 분리기법을 제안하였다. 제안된 학습알고리즘은 엔트로피 최적화론 위한 목적함수의 판을 구하기 위해, 도함수 계산을 요구하는 뉴우턴법 대신 단순히 함수 값만을 이용하여 계산을 근사화한 할선법 기초한 고정점 알고리즘이다. 이렇게 하면 뉴우턴법에서 요구되는 복잡한 도함수의 계산과정을 간략화 할 수 있어 고정점 알고리즘의 독립성분분석이 가지는 학습성능을 더욱 더 개선시킬 수 있다. 제안된 학습알고리즘의 독립성분분석 기법을 500개의 샘플을 가지는 4개 신호와 $512{\times}512$의 픽셀을 가지는 10개의 영상을 대상으로 임의의 혼합행렬에 따라 발생되는 복합신호 및 복합영상들을 시뮬레이션하였다. 시뮬레이션 결과, 기존의 뉴우턴법에 기초한 고정점 알고리즘의 분석기법보다 빠른 학습속도와 개선된 분리성능이 있음을 확인하였다. 특히 기존의 알고리즘에서 임의로 선정되는 초기값에 의존하는 학습성능과 대규모의 영상분리에서 발생될 수 있는 비현실적인 학습시간도 함께 해결할 수 있음을 확인할 수 있었다.