используя основной компонентный анализ для декорирования шумов

Я должен создать 13 белых гауссовских шумов, которые полностью отделены друг от друга. Мне сказали, что PCA может достичь этого, поэтому я искал некоторую информацию и инструменты, которые я могу использовать в python. Я использую модуль PCA от sklearn для выполнения PCA. Следующим является мой код.

import numpy as np from sklearn.decomposition import PCA n = 13 # number of completely decorrelated noises ms = 10000 #duration of noise in milli-seconds fs = 44100 # sampling rate x = np.random.randn(int(np.ceil(fs*ms/1000)),n) # calculate the correlation between any two noise for i in range(n): for j in range(n): omega = np.corrcoef(x[:,i],x[:,j])[0,1] print omega # perform PCA pca = PCA(n_components=n) pca.fit(x) y = pca.transform(x) for i in range(n): for j in range(n): omega_new = np.corrcoef(y[:,i],y[:,j])[0,1] print omega_new 

Коэффициенты корреляции до PCA составляют около 0,0005-0,0014 и снижают примерно до 1е-16 после проведения PCA. Я не очень хорошо знаю о PCA, поэтому не уверен, правильно ли я это сделал. Кроме того, после выполнения преобразования PCA, являются ли эти новые наборы данных еще слабыми шумами Gaussion? Я нормализую каждый шум так, чтобы их максимальная амплитуда составляла 0,999, прежде чем записывать их в волновые файлы. Я все еще получаю 13 гауссовых белых шумов со сходной средней мощностью?

• Почему кросс-спектры отличаются в mlab и scipy.signal?
• Оценить форманты с использованием LPC в Python
• Повторное создание временных рядов данных с использованием результатов FFT без использования ifft
• циклический кросс-корреляционный питон
• Как улучшить изображение, а затем преобразовать его в двоичное изображение с помощью Python и OpenCV?