FastICA算法

               

        目前比较成熟的线性盲源分离算法有很多，FastICA是其中之一。

1  ICA算法流程

(1) 归一化

        首先将观测数据x

归一化，即减去其均值m=E{ x}使其具有零均值。这意味着s也是零均值的。

        归一化预处理能简化ICA算法，在估计出归一后的混合矩阵A后，将计算出的分离信号s再加上s的均值A^-1m。

(2) 白化

        在归一化之后，线性变换观测向量x使其各成分不相关且有单位方差，即白化为新向量x'，其协方差矩阵等于单位矩阵：E{ x'x'^T}=I。

        一种常用的白化方法对数据协方差进行特征值分解(Eigen-ValueDecomposition，EVD)，即E{ xx^T}=EDE^T，其中E是E{ xx^T}特征向量的正交矩阵，D是其特征值的对角矩阵，D=diag(d₁，…，d_n)。因而白化操作可写为

                        x'=ED^-1/2E^Tx

        其中D^-1/2=diag(d₁^-1/2，…，d_n^-1/2)。同理，白化混合矩阵得A'，则A‘是正交的。

        白化操作能减少待估计的参数。估计矩阵A要估计n²个参数，而估计正交矩阵A'只需估计n(n-1)/2个参数，这大大减小了ICA算法的计算复杂度。

(3) FastICA算法

        在讨论了的ICA估计几种目标函数中，实际应用中需要一种最大化目