独立分量法ICA算法主要步骤

独立分量分析：已知信号为S，经混和矩阵变换后的信号为：X=AS。对交叠信号X，求解混矩阵B，使Y=WX各分量尽量相互独立。求解W的过程并不一定是近似A的逆矩阵，Y也不是信号S的近似，而是为了使Y分量之间相互独立。我们的目的是从仅有的观测数据X出发寻找一个解混合矩阵。

常见的方法：InfoMax方法（用神经网络使信息最大化），FastICA方法（固定点算法，寻求X分量在W上投影（W^t）*X）的非高斯最大化。

主要步骤： 预处理部分（简化计算）  核心算法部分 
  1、预处理部分：
（1）对X零均值处理     
（2）球化分解（白化）
       即：乘球化矩阵S，使Z=SX各行正交归一，即ZZ’=I
意义：消除原始各道数据间二阶相关，以后只需要考虑高阶矩量(因为独立时各阶互累积量为0)，使很多运算过程简化。
2、核心算法部分：
     寻求解混矩阵U，使Y=UZ，Y各道数据尽可能独立（独立判据函数G）。
注意：
  (1)、由于Y独立，各行必正交。且通常取U保持Y各行方差为1，故U是正交变换。
  (2)、所有算法预处理部分相同，以后我们都设输入的为球化数据z，寻找正交矩阵U，使Y=Uz独立。
由于独立判据函数G的不同，以及步骤不同，有不同的独立分量分析法。

3、Fast ICA算法思路：属于探查性投影追踪
  ICA目的：输入球化数据z，经过正交阵U处理，输出Y=Uz
（1）输入球化数据z，经过正交阵某一行向量ui处理（投影），提取出某一独立分量yi.
（2）将此分量除去，按次序依次提取下去，得到所有的yi ，以及ui。

得到独立的基向量U

U＝WX

应用：表情分类

得到基向量U后，任何一个样本可用U的线性组合来表示。

线性组合的系数即Xi向U上的投影系数：

Ei=UXi'

训练样本和测试样本可分别得到Ei和Etest。

然后选择合适的分类器，就可以进行分类。最简单的即为最近邻分类器（NNC）：用距离参数表示训练集模板与测试样本的差异，认为测试样本与满足最小距离的训练样本属于同一种表情。