国际劳工组织 cIOL（具有在线学习的约束ICA）算法 引文 Y.-E. 李新Kwak，S.-W. Lee，“一种用于动态脑机接口的实时运动伪像去除方法”，IEEE Trans。 《神经系统与康复工程》，第一卷。 2020年12月28日，第2660-2670页。 描述 近来，已经广泛研究了实用的脑机接口（BCI）以检测现实世界中的人类意图。 但是，实验室和现实环境之间仍然存在性能差异。 造成这种差异的主要原因之一是用户的不稳定身体状态（例如，人体运动不受严格控制），这会产生意想不到的信号伪像。 因此，为了最大程度地减少基于脑电图（EEG）的BCI的性能下降，我们提出了一种新颖的工件去除方法，称为带有在线学习（cIOL）的约束独立成分分析。 cIOL可以找到并拒绝与EEG信号中与人体运动（即运动伪影）有关的类噪声成分。 为了获得运动信息，隔离的电极用于使用高电阻材料来阻挡来自大脑的电信号。

基于独立分量ICA的人脸检测源程序，Matlab版，注释详细，内附程序对应的IEEE论文

盲信号处理 独立分量分析 是可以直接复制的word文档 里面有我自己编写的程序

利用Contourlet、ICA、混沌粒子群分离去噪 Denoising by contourlet, ICA and chaotic particle swarm optimization

广东交通职业技术学院 ICA app

1、对观测数据进行中心化，； 2、使它的均值为0，对数据进行白化—>Z； 3、选择需要估计的分量的个数m，设置迭代次数p<-1; 4、选择一个初始权矢量（随机的W，使其维数为Z的行向量个数）； 5、利用迭代W(i,p)=mean(z(i,:).*(tanh((temp)'*z)))-(mean(1-(tanh((temp))'*z).^2)).*temp(i,1)来学习W （这个公式是用来逼近负熵的） 6、用对称正交法处理下W 7、归一化W(:,p)=W(:,p)/norm(W(:,p)); 8、若W不收敛，返回第5步 9、令p=p+1，若p小于等于m,返回第4步 剩下的应该都能看懂了 基本就是基于负熵最大的快速独立分量分析算法

python实现

快速独立成分分析算法，FastICA，对于目标信号进行成分分析，盲源分离上均具有不错的应用。

保守值法matlab代码牛顿熵优化（NEO）ICA 使用二阶优化的大规模Infomax-ICA。 二次收敛 使用截断牛顿（又名无黑森州）优化，可以更快，更好地收敛。 这具有与通常的梯度下降方法相同的存储成本。 自适应小批量 使用近似似然的梯度/ hessian向量乘积的方差来调整迭代中的最小批量大小。 快速实施 该算法是使用BLAS，OpenMP和SSE内部函数为CPU实现的。 尽可能使用近似数学（）。 如果您的硬件不支持SSE内在函数，则NEO-ICA会退回到非矢量化代码。 多种语言 支持C ++，Python和MATLAB。 轻巧便携 可以与GCC 4.8+和MSVC 2015一起编译。 MATLAB绑定没有依赖性（链接到MATLAB的BLAS / LAPACK）。 Python绑定仅需要Numpy（链接到Numpy使用的BLAS / LAPACK） 1 。 C ++库仅需要BLAS / LAPACK 1 。 1 ICA通常涉及非常高而又瘦的矩阵。 在处理这些方面，MKL比竞争对手更胜一筹。 安装 Matlab ：将适用于{Linux，Windows 64-bits}的matlab

核密度非参数估计的matlab代码ICA-R-估计 参考： M. Hallin & C. Mehta (2015)。 非对称独立分量分析的 R 估计。 美国统计协会杂志，110(509)，218-232 独立分量分析 (ICA) 是一种多变量统计方法，其中将观察到的信号去卷积或分离为独立的潜在源信号。 在 ICA 模型中，观察到的 m 向量满足 , 其中 是一个非奇异维混合矩阵和 是一个向量，其分量 S_k(t) 具有成对独立分布（超过 t=1,2,...）。 ICA 的一个主要目标是从观察到的 X 向量中估计混合矩阵 ()。 将混合矩阵的准确估计的逆应用于观察到的混合 X 向量允许恢复 ICA 模型中的源信号。 在这个项目中，我们为混合矩阵提出了一个单步 R 估计器，旨在针对具有重尾分布的源信号和其他类型的噪声（相对于混合矩阵的现有估计器）实现更大的鲁棒性。 此外，我们能够通过半参数程序阐明 R 估计量的渐近特性，例如其极限分布。 评估 R 估计器首先需要 获得混合矩阵的初步估计量 L0，以实现根 n 一致性和 为各个未观察到的独立源信号指定单变量分布 f:=(f1,...,fm)