A computer-implemented method and apparatus that adapts class parameters, classifies data and separates sources configured in one of multiple classes whose parameters (i.e. characteristics) are initially unknown. The data set may be generated in a dynamic environment where the sources provide signals that are mixed, and the mixing parameters change without notice and in an unknown manner. A mixture model is used in which the observed data is categorized into two or more mutually exclusive classes. The class parameters for each of the classes are adapted to a data set in an adaptation algorithm in which class parameters including mixing matrices and bias vectors are adapted. Each data vector is assigned to one of the learned mutually exclusive classes. In some embodiments the class parameters may have been previously learned, and the system is used to classify the data and if desired to separate the sources. The adaptation and classification algorithms can be utilized in a wide variety of applications such as speech processing, image processing, medical data processing, satellite data processing, antenna array reception, and information retrieval systems. The adaptation algorithm described is implemented with an extended infomax ICA algorithm, which provides a way to separate sources that have a non-Gaussian (e.g., platykurtic or leptokurtic) structure.

Μια υπολογιστής-εφαρμοσμένες μέθοδος και μια συσκευή που προσαρμόζει τις παραμέτρους κατηγορίας, ταξινομεί τα στοιχεία και χωρίζει τις πηγές που διαμορφώνονται σε μια από τις πολλαπλάσιες κατηγορίες οι των οποίων παράμετροι (δηλ. χαρακτηριστικά) είναι αρχικά άγνωστες. Το σύνολο στοιχείων μπορεί να παραχθεί σε ένα δυναμικό περιβάλλον όπου οι πηγές παρέχουν τα σήματα που αναμιγνύονται, και οι παράμετροι μίξης αλλάζουν χωρίς ειδοποίηση και κατά τρόπο άγνωστο. Ένα πρότυπο μιγμάτων χρησιμοποιείται στο οποίο το παρατηρηθέν στοιχείο είναι ταξινομημένο σε δύο ή περισσότερες αμοιβαία αποκλειστικές κατηγορίες. Οι παράμετροι κατηγορίας για κάθε μια από τις κατηγορίες προσαρμόζονται σε ένα σύνολο στοιχείων σε έναν αλγόριθμο προσαρμογής στον οποίο οι παράμετροι κατηγορίας συμπεριλαμβανομένης της μίξης των μητρών και των προκατειλημμένων διανυσμάτων προσαρμόζονται. Κάθε διάνυσμα στοιχείων κατατάσσεται σε μια από τις μαθημένες αμοιβαία αποκλειστικές κατηγορίες. Σε μερικές ενσωματώσεις οι παράμετροι κατηγορίας μπορεί να είχαν μαθευτεί προηγουμένως, και το σύστημα χρησιμοποιείται για να ταξινομήσει τα στοιχεία και εάν επιδιώκεται για να χωρίσει τις πηγές. Οι αλγόριθμοι προσαρμογής και ταξινόμησης μπορούν να χρησιμοποιηθούν σε μια ευρεία ποικιλία των εφαρμογών όπως η επεξεργασία λόγου, η επεξεργασία εικόνας, η ιατρική επεξεργασία δεδομένων, η επεξεργασία δορυφορικών δεδομένων, η υποδοχή σειράς κεραιών, και τα συστήματα ανάκτησης πληροφοριών. Ο αλγόριθμος προσαρμογής που περιγράφεται δομή εφαρμόζεται με έναν εκτεταμένο infomax ica αλγόριθμο, που παρέχει έναν τρόπο να χωριστούν οι πηγές που έχουν μια non-Gaussian (π.χ., platykurtic ή leptokurtic).