信号分离是信号处理中的一个基本问题。在已知源信号和传输通道的先验知识时，各种时域滤波器、频域滤波器等能从混合信号中分离出我们感兴趣的信号。独立分量分析是由盲信号分离技术发展出来的一种多维信号处理方法，能在不知道源信号及信号混合参数的情况下，仅根据观测到的混合信号就能估计源信号。独立分量分析的理论已经成为当前火热的人工智能、机器学习、智能控制等应用学科发展的重要基石之一。
　　《独立分量分析及应用研究》在介绍了独立分量分析基本理论和算法的基础上，重点在Weizmann Face Data上利用FastlCA算法在Matlab环境中开展了人脸图象分类和识别试验，在Python环境中对驾驶舱混合信号开展盲分离试验，并给出相关程序。
　　《独立分量分析及应用研究》可作为电子信息类专业大学教材，还可作为对独立分量分析及其应用感兴趣的科技工作者的参考用书。

　　信号分离是信号处理中的一个基本问题。各种时域滤波器、频域滤波器、空域滤波器或码域滤波器都可以看作是一种信号分离器，能完成信号分离任务，或者说从混合信号中提取我们感兴趣的信号。在已知源信号和传输通道的先验知识时，混合信号通过滤波的处理能在一定程度上很好地完成信号分离的任务。然而，在没有源信号和传输通道的先验信息时，通过滤波的方法根本就无法完成信号分离的任务，必须通过盲信号分离技术来解决。独立分量分析（Independent Component Analysis，ICA）是20世纪90年代以来由盲信号分离技术，或称为盲源分离（Blind Signal/Source Separation，BSS）发展出来的一种多维信号处理方法，能在不知道源信号及信号混合参数的情况下，仅根据观测到的混合信号就能估计源信号。
　　独立分量分析的理论研究已经成为当前非常火热的人工智能、机器学习、智能控制等应用学科发展的重要基石，是这些研究领域的一个基础性的研究方向，其应用领域与应用前景都是非常广阔的。目前独立分量分析的理论主要应用于盲源分离、图像处理、语言识别、通信、生物医学信号处理、脑功能成像研究、故障诊断、特征提取、金融时间序列分析和数据挖掘等。
　　独立分量分析的基本思路是将多维观察信号按照统计独立的原则建立目标函数，通过优化算法将观测信号分解为若干独立成分，从而辅助实现信号的分离或增强。围绕独立分量分析问题的解决虽然出现了很多算法，但大多是围绕信源的独立性提出的各种独立性及非高斯性度量准则，具体往往结合信息论、神经网络来实现各种算法。根据所提出的目标函数不同，独立分量分析技术研究总的来说可分为基于信息论准则的迭代估计方法和基于统计学的代数方法两大类，从原理上来说，它们都是利用了源信号的独立性或非高斯性。

前言
缩略语

第1章 绪论
1．1 盲信号分离问题
1．2 独立分量分析的问题描述及分析思路
1．3 ICA的发展及研究现状
1．4 本书主要研究工作及章节安排

第2章 ICA应用涉及的相关理论
2．1 引言
2．2 统计基本理论
2．3 信息论的基本知识
2．4 独立性度量准则
2．5 人工智能的相关基础理论
2．6 本章小结

第3章 ICA的算法原理
3．1 引言
3．2 主分量分析及ICA预处理
3．3 Infomax算法原理
3．4 FastICA算法原理
3．5 基于ICA算法的混合信号分离试验
3．6 本章小结

第4章 ICA在人脸识别中的应用
4．1 人脸识别概述
4．2 基于PCA的人脸图像特征提取
4．3 基于ICA的人脸图像特征提取
4．4 人脸图像的识别试验
4．5 本章小结

第5章 ICA在驾驶舱混合信号分离中的应用
5．1 引言
5．2 基于Python的仿真试验与性能分析
5．3 驾驶舱混合信号盲分离试验
5．4 本章小结

附录1 FastICA参考Matlab程序
附录2 FastICA参考Python程序

参考文献