盲源分离BSS(Blind Source Separation)是信号处理领域的热点，有着广泛的应用前景。盲源分离是在对信源和通道先验知识甚少的情况下，仅由观察信号推断信源和通道特性，从线性混合的观测信号中分离出独立的信号源。传统的盲源分离往往关注于信号的一阶统计量，研究信号间的相互关系，如主分量分析PCA(Principal Component Analysis)分解出的分量只是相互正交，具有明显局限性。独立分量分析ICA(Independent Component Analysis) [1-2]则基于信号的高阶统计量，利用高于二阶的统计信息正确实现源信号分离和恢复，并从多通道测量所得到的由若干独立信源线性组合的观察信号中，将这些独立成分分解开来，具有更实际的物理意义。

    在诸多ICA算法中，固定点算法(也称FastICA)以其收敛速度快、分离效果好被广泛应用于信号处理领域。该算法是基于定点递推算法得到的，对任何类型的数据都适用，能很好地从观测信号中估计出相互统计独立的、被未知因素混合的原始信号，它的存在对运用ICA分析高维的数据成为可能。FastlCA算法本质上是一种最小化估计分量互信息的神经网络方法，是利用最大熵原理来近似负熵，并通过一个合适的非线性函数g使其达到最优。该算法具有很多神经算法的优点如：并行的、分布的、计算简单、要求内存小。近年来对ICA的研究在统计信号处理领域得到了广泛的关注, 尤其在语音处理[3]、生物医学信号处理[4]、图像处理[5]等多方面的研究进展迅速。

1.2 预处理
    为了计算方便，在进行ICA 处理之前，需要对观测矢量x进行预处理，把x变为中间输出z，主要过程包括中心化和白化。




    从表1所示的峰值信噪比的比较中可以看出，基于改进的FastICA算法进行图像盲分离的效果得到显著提高。同时从平均迭代次数对比中也可以看出，改进的FastICA算法迭代次数略多于传统的FastICA算法。 

    本文在系统研究FastICA算法的基础上,引入了一种综合考虑峰度和偏度新的、简单的目标函数，并且对FastICA算法流程中的正交化过程作了改进。实践证明，改进的算法显著提高了独立分量的分离效果，并且在图像盲分离中得到了应用。
参考文献
[1] COMON P. Independent component analysis, a new concept[J].  Signal Processing, 1994,36(7):287-314.
[2] CICHOCKI A, AMARI S. Adaptive blind signal and image  processing:learning algorithms and applications[M]. John  Wiley & Sons, 2002.
[3] TAKATANI T, et al. Blind separation of binaural sound mixtures using SIMO-model-based independent component analysis[C]. Acoustics, Speech and Signal Processing,2004.
[4] FLEXER A, et al. Using ICA for removal of ocular artifacts in EEG recorded from blind subjects[J]. Neural Networks, 2005,18(7)：998-1005.
[5] FUNARO M, OJA E, VALPOLA H. Independent component analysis for artefact separation in astrophysical images[J]. Neural Networks, 2003，16（3）: 469-478.
[6] HYVARINEN A, et al. Independent component analysis[M]. John Wiley & Sons, 2001.
[7] HYVARINEN A, OJA E. Independent component analysis:algorithms and applications[J]. Neural Networks, 2000,13(4-5）：411-430.