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

fast-ICA算法程序代码

ICA 使用sklearn的Fast ICA实现对玻璃数据集进行独立成分分析。 ICA将产生独立的组件，例如PCA，但是这些组件不需要是正交的。

文件里是一个语音信号的混合与分离，使用的是ICA与PCA，可以明显的看出两者算法的优缺点。

用Matlab进行音频源信号分离的仿真实验，对不同的独立分量分析(ICA)算法的应用环境进行相关的讨论，并对其分离性能进行对比和分析。” 主要是设计几个ICA算法并进行相关的对比、分析。主要从代码性能参数PI值入手分析算法的可行性和优缺点。

用fast ICA进行混叠信号的分离 没有其他的附带文件，只有一个文件就实现了

Fast ICA matlab源代码 有图形界面 和字符界面 两种使用模式 是我见过的最全的最完整的ICA算法示例程序