FastICA算法的matlab实现，内含人工信号的加噪合成、去均值、白化处理。利用fastICA算法实现多信号的盲源分离

FastIca盲源分离算法(Matlab编写)，算法比较精简，带有详细注释。算法步骤可以查找FastIca的相关文献。

本文给出了一种基于特征矩阵联合近似对角化（JADE， Joint Approximate Diagonalization of Eigen-matrices）的共形阵列信号DOA估计算法。该算法首先对接收数据进行白化处理，利用白化后的数据构造四阶累计量矩阵，通过对特征矩阵联合近似对角化获得流形矢量矩阵的估计，从而实现信号的DOA估计。算法对阵列形状限制小，无需谱峰搜索。以圆台共形阵列为例，通过仿真实验验证了算法的有效性。

采用自然梯度算法处理典型的盲信号分离问题。

转：bofill的经典欠定盲源分离算法，以及算法对应的论文。

德州仪器C2000及MCU创新设计大赛，控制类三等奖，完整的PCB和程序代码，比赛必备，比赛练习案例，创新创业比赛、青春杯、挑战杯、互联网+比赛参考，报告模板，技术模仿。适用于教学案例、毕业设计、电子设计比赛、出书项目实例，实际设计、个人DIY参考。 基于FastICA盲源分离算法设计了一个语音增强算法，并移植到以DSP芯片TMS320F28335为核心的语音增强系统上。该系统实时增强语音,通过四元麦克风阵列采集空间中的声音信号，并通过内置语音增强算法将其中的语音源信号和噪声源信号分离，以抑制包括有同声道噪声在内的有源噪声，同时进一步抑制残余背景噪声。

典型相关分析的多变量版本，也是联合盲源分离算法的典型算法之一

为了提高单通道盲源分离性能，首先由单路信号利用经验模态分解得到一系列本征模函数分量组合成多路信号；其次针对存在模态混叠的本征模函数分量，提出利用信号周期性构造其多路信号，并利用独立分量分析消除模态混叠的有效方法；然后利用互相关性消除上述步骤所得到的多路信号中的虚假分量，并将剩余的分量信号与观测信号构成新的多路信号；最后利用Fast-ICA（fast-indepe

文中分别采用经验模态分解（EMD），变分模态分解（VMD）两种预处理方法，使单通道观测信号由欠定信号转为正定或超定从而解决其“非欠定”限制，并对此两种预处理方法进行仿真实验对比验证，研究表明，不同的预处理方法会影响信号盲分离的结果，寻找一种高效、快速的预处理方法是解决欠定盲信号分离的关键，且仿真实验结果表明，VMD预处理方法更具优越性。

FastICA算法不需要计算高阶统计量,收敛速度快.将快速FastICA算法应用到脑电信号的去噪中