独立分量分析

独立分量分析（independent component analysis，ICA）是20世纪90年代发展起来的一种新的信号处理技术。基本的ICA是指从多个源信号的线性混合信号中分离出源信号的技术。除了已知源信号是统计独立外，无其他先验知识，ICA是伴随着盲信源问题而发展起来的，故又称盲分离。

在复杂的背景环境中所接收的信号往往是由不同信源产生的多路信号的混合信号。例如，几个麦克风同时收到多个说话者语音信号；在声纳、阵列及通信信号处理中，由于耦合使数据相互混叠；多传感器检测的生物信号中，得到的也是多个未知源信号的混叠。ICA方法是基于信源之间的相互统计独立性。与传统的滤波方法和累加平均方法相比，ICA在消除噪声的同时，对其它信号的细节几乎没有破坏，且去噪性能也往往要比传统的滤波方法好很多。而且，与基于特征分析，如奇异值分解（SVD）、主成分分析（PCA）等传统信号分离方法相比，ICA是基于高阶统计特性的分析方法。在很多应用中，对高阶统计特性的分析更符合实际。
当有N个信号源时，通常假设观察信号也有N个（例如N个迈克或者录音机）。该假设意味着混合矩阵是个方阵，即J = D，其中D是输入数据的维数，J是系统模型的维数。对于J < D和J > D的情况，学术界也分别有不同研究。
独立成分分析并不能完全恢复信号源的具体数值，也不能解出信号源的正负符号、信号的级数或者信号的数值范围。[1]

独立分量分析在通信、阵列信号处理、生物医学信号处理、语音信号处理、信号分析及过程控制的图像去噪[2]和特征提取等领域有着广泛的应用，还可以用于数据挖掘。