fastICA的matlab实例 独立成分分析(Independent Component Analysis，ICA)是近年来提出的非常有效的数据分析工具，它主要用来从混合数据中提取出原始的独立信号。它作为信号分离的一种有效方法而受到广泛的关注。 在诸多ICA算法中，固定点算法 (也称FastlCA)以其收敛速度快、分离效果好被广泛应用于信号处理领域。该算法能很好地从观测信号中估计出相互统计独立的、被未知因素混合的原始信号。

盲源分离问题是信号处理领域中的研究热点之一。众多盲源分离算法中固定点算法（FastICA）因其收敛速度快而备受关注，但是FastICA算法的收敛性易受初始解混矩阵的初值选择影响。针对FastICA算法的不足进行了改进，引入梯度下降法降低初值选择敏感性，并且提出改进弦截法，加快收敛速度。实验结果显示，基于改进弦截法的FastICA算法与其他FastICA算法相比，不但提高了算法的分离性能，而且减少了迭代次数，增强了收敛稳定性。所以，改进的FastICA算法克服了初值选择敏感的影响，获得更快速、更鲁棒的语音分离性能。

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