通信信号盲分离；fastICA算法；负熵作为非高斯性的度量可以根据信号的混合类型来更改非线性函数

为更好实现对入侵检测样本数据的优化处理，提出了一种改进的快速独立成分分析(FastICA)算法，采用基于加权相关系数进行白化处理以减少信息损失，并优化牛顿迭代法使其满足三阶收敛。对算法进行了细致描述，分析了算法的时间复杂度。实验结果表明，该方法可有效减少数据信息损失，具有迭代次数少、收敛速度快等优点，可有效提高入侵检测样本数据的优化效率。

这是自己写的，并且是可以跑程序的，希望对大家有用

基于fastica的单通道盲源分离，利用正交采样处理，通过获得正余弦信号进行fastica分离，按码速率进行采样并判决

FastICA 的matlab代码。ICA是用于盲源分离的有效工具，而FastICA比传统的ICA算法计算效率更高，在图像处理中被广泛应用。

matlab fastica工具箱，加入matlab工作目录，命令窗口输入fasticag指令进行直接调用GUI界面

基于FastICA盲源分离算法的语音增强系统

Torch7的分解模块 主成分分析 (PCA) 白化主成分分析 (W-PCA) 线性判别分析 (LDA) 局部保护投影 (LPP) 邻里保护预测 (NPP) 快速独立分量分析 (FastICA) 约翰-亚历山大·阿塞尔 安装 克隆此存储库或下载源代码。 用法 调用decomposition = require "decomposition" ，然后是以下任何一项： decomposition.pca(x) , decomposition.lda(x, y) , decomposition.lpp(x) , decomposition.npp(x) , decomposition.fastica(x) 。 或者，您可以使用 iTorch notebook 并打开decomposition.ipynb 。 贡献 叉它！ 创建您的功能分支： git checkout

本文提出了应用改进的Fast-ICA算法进行电能质量检测的方法。快速ICA(独立分量分析:Independent Component Analysis)算法是目前非常流行的一种好算法。利用信号的高阶统计量快速准确地实现信号分离和恢复。

FastICA算法程序，matlab，可直接运行