独立成分分析算法及计算机实现

本文着重阐述了独立成分分析的算法，并通过实例完成了相关算法的计算机实现，通过“鸡尾酒会问题”——盲源分离的经典例子介绍了独立成分分析的产生背景，通过忽略噪声的影响、成分是统计独立的、成分是非高斯分布的三个假设引入了独立成分分析的模型，从概率密度和相关性两个方面给出了独立成分分析的定义，并简要介绍了独立成分分析与投影法的异同，概述了sICA、tICA的不同之处，通过非高斯的最大化、互信息的最小化、最大似然函数估计(ML)三种方法介绍了当前估计独立成分分析模型的主要方法。在分析各种方法的原理后引出了独立成分分析的主要算法，并通过FastICA算法的两个实例——混合图像分离和线性混合信号的盲源信号分离介绍了FastICA算法的应用及其优越性，然后针对解决“鸡尾酒会问题”的盲源信号分离实例阐述了基于高斯混合密度函数估计的语音分离算法。