ICA算法的研究可分为基于信息论准则的迭代估计方法和基于统计学的代数方法两大类，从原理上来说，它们都是利用了源信号的独立性和非高斯性。

ICA(独立成分分析法),Independent Components Analysis,图像处理中目前比较经典的特征提取方法

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。这是我毕设用的，里面有 ICA独立成分分析的matlab代码，音频数据，以及使用说明，希望对大家有所帮助。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。这是我毕设用的，里面有 ICA独立成分分析的matlab代码，音频数据，以及使用说明，希望对大家有所帮助。

MATLAB中基于CEEDMAN与FastICA算法的单通道信号规律噪声的滤除方法

该包包含实现主成分分析 (PCA) 和独立成分分析 (ICA) 的函数。 PCA 和 ICA 在此包中作为函数实现，并包含多个示例来演示它们的使用。 在 PCA 中，多维数据被投影到对应于其几个最大奇异值的奇异向量上。 这种操作有效地将输入单个分解为数据中最大方差方向上的正交分量。 因此，PCA 经常用于降维应用，其中执行 PCA 会产生数据的低维表示，可以将其反转以紧密地重建原始数据。 在 ICA 中，多维数据被分解为在适当意义上最大程度独立的组件（峰态和负熵，在这个包中）。 ICA 与 PCA 的不同之处在于，低维信号不一定对应最大方差的方向； 相反，ICA 组件具有最大的统计独立性。 在实践中，ICA 通常可以揭示多维数据中不相交的潜在趋势。

程序主要实现了基于fast-ica的对音频信号的分离，先混合音频信号，再对混合后的信号分离，有助于学习ica算法

独立成分分析在通信信号识别、还原中的简单的实际应用

独立成分分析（ICA）是一种用于将多元信号分离为加性子分量的计算方法。 这是通过假设子分量是非高斯信号，并且在统计上彼此独立来完成的。ICA是盲源分离的特例。一个常见的示例应用程序是在嘈杂的房间中聆听一个人的语音的“ 鸡尾酒会问题 ”。 资源为ICA在matlab中的程序。

文件包含kernel-ICA的matlab工具箱，该工具箱具有很好的特性，操作简单，文件没有任何问题，可直接调用。

帝国竞争算法ICA的matlab实现，包括源代码和参考资料。