ICA算法灵感源于人类社会帝国殖民竞争机制，是一种完全受社会行为启发的群体随机优化搜索算法。ICA可归纳为国家初始化、殖民地同化、帝国竞争、国家汇聚四个流程。

基于FAST_ICA算法的混合wav声音信号的去分离仿真，matlab2021a仿真测试，带GUI操作界面

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。