home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1993 #1 / NN_1993_1.iso / spool / comp / ai / neuraln / 4752 < prev    next >
Encoding:
Internet Message Format  |  1993-01-08  |  2.5 KB
  1. Xref: sparky comp.ai.neural-nets:4752 sci.math.stat:2729
  2. Path: sparky!uunet!cs.utexas.edu!qt.cs.utexas.edu!yale.edu!ira.uka.de!news.belwue.de!iptc!news.wsi!peanuts!goeppert
  3. From: goeppert@peanuts.informatik.uni-tuebingen.de (Josef Goeppert)
  4. Newsgroups: comp.ai.neural-nets,sci.math.stat
  5. Subject: Separation on non-linear and non-convolutive mixtures
  6. Date: 8 Jan 1993 12:38:07 GMT
  7. Organization: "Lehrstuhl fuer Technische Informatik, Uni Tuebingen"
  8. Lines: 40
  9. Sender: goeppert@peanuts (Josef Goeppert)
  10. Distribution: world
  11. Message-ID: <1ijsjfINN477@peanuts.informatik.uni-tuebingen.de>
  12. References: <1ijn70INNsqf@gap.caltech.edu>
  13. NNTP-Posting-Host: charlie.informatik.uni-tuebingen.de
  14. Keywords: artificial neural networks, separation of sources
  15.  
  16.  
  17. Hello,
  18.  
  19. I am working in the domain of multi-component analysis of
  20. sensory output signals. My problem is to seperate different
  21. influences by observation of sensory output. Unfortunately,
  22. the Transfer Function of these sensors is non-linear (sine-like).
  23. The exact nonlinearity of the sensors is unknown and
  24. varies frome one sensor to another. I am trying to solve the
  25. problem by neural nets, using supervised Backpropagation
  26. Net or neural aproches of clustering methods (like Kohonen's SOM),
  27. it would be better to use smaller and non-supervised methods.
  28.  
  29. Linear approaches like Principal Component Analysis (PCA)
  30. and Independ Component Analysis (INCA) or the neural
  31. inplementation of PCA (Oja) and INCA (Jutten/Herault)
  32. are not suitable because of big non-linearities.
  33.  
  34. In order to come to smaller size and non-supervised
  35. training, I am locking for other architecture or for
  36. mathematical principles for the separation of sources
  37. in non-linear and non-convolutive case. Highly redundant
  38. input-data (in my case hundreds components to
  39. seperate less than ten sources), may allow nevertheless
  40. the differentiation and the estimation of the
  41. non-linearities. Kohonens Self-Organizing-Map turned
  42. out to do so, but with huge number of neurons.
  43.  
  44. I would be happy for ideas and pointes to neural
  45. approaches or statistical methods for this problem.
  46.  
  47. Thanks in advance
  48.  
  49. --------------------------------------------------------------------------
  50. Josef Goeppert                      | Tel:    (49) 7071 29 5940
  51. Wilhelm Schickard Institut          | Fax:    (49) 7071 29 5958
  52. University of Tuebingen             | E-mail: goeppert@peanuts.
  53. Sand 13, D-W7400 Tuebingen, Germany |         informatik.uni-tuebingen.de
  54. --------------------------------------------------------------------------
  55.  
  56.