单通道盲源分离实现代码，Matlab编写的SSA-ICA算法。单通道数据映射成多维子空间，经过分组得到多路数据，再调用FastICA算法实现源信号分离。

搜到的一些算法程序，都是可以运行的，C-FICA算法是 time-domain Convolutive extension of FastICA算法，解决卷积混合的。算法出自作者J. Thomas, Y. Deville and S. Hosseini的论文 "Time-domain fast fixed-point algorithms for convolutive ICA",也在附件中。 convbss算法也是解决卷积混合的，算法出自作者Lucas Parra, Clay Spence的论文 "Convolutive blind source separation of non-stationary sources"。这个论文附件里也有。 BBSGUI里的算法有EFICA, WASOBI, COMBI, MULTI-COMBI, FCOMBI, BGL, BLOCK EFICA, BARBI。

章利用巡检机器人所带拾音器采集设备运行声音样本，并利用基于负熵的FastICA算法实现设备声音和环境噪声的分离，并对分离性能指标进行了统计和分析，实验结果表明该算法成功分离了声音样本中的各独立声音分量，分离性能稳定可靠，有助于提高后续状态识别的识别率。

立成分分析(Independent ComponentAnalysis，ICA)是一种从混合信号中分离出源信号的信号处理技术。本文在对ICA的基本原理与算法进行介绍的基础上，对Fast ICA算法进行了讲解。文中通过数值模拟信号与真实声音信号对FastICA算法进行了检验，所得的分离结果与实际值的波形非常吻合。

本文提出一种基于独立分量分析战场混叠振动目标盲分离方法并且采用相关系 数来评价分离信号与源信号的对应关系实验表明分离声信号从波形上看很好地保持 了原始信号的波形采用相关系数评价标准能较准确地确定分离信号和源信号的次序 该方法在混叠声目标分离中具有可行性

为了消除语音信号分离中仍存在的部分混叠声音，提出一种基于小波消噪和独立分量分析(ICA)结合的信号分离方法。该方法将小波变换和独立分量分析结合，利用小波变换的去噪作用，滤除原始语音信号中的噪声后作为ICA的输入信号，采用 FastIcA算法在小波域进行独立分量分析，对输入信号实施分离．实验结果表明，该方法大大调高了传统独立分量分析对语音信号的分离效果。

对机电系统进行音频信号的故障诊断研究，传统的音频信号处理方法大多采用滤 波降噪的方式，针对其中的不足，拟采用独立分量分析（ICA）的盲源分离方法。该方法只依据传感器采集的观测混合信号，就能恢复各个机械部件产生的声源信号，从而准确地对各个振源进行状态监测和故障诊断

ICA独立成分分析的matlab代码，内有音频数据，以及使用说明，希望对大家有所帮助。 ICA独立成分分析的matlab代码，内有音频数据，以及使用说明，希望对大家有所帮助。

模式识别matlab工具箱,包括SVM,ICA,PCA,NN等等模式识别算法,很有参考价值

介绍ICA的经典教材，大牛Hyvarinen的Independent Component Analysis(英文版)。研究ICA的可以好好品读一下！