通常,独立成分分析(ICA)算法的选择基本上在自适应算法和批处理算法之间。在自适应性的情况下,该算法通常通过随机梯度法获得。以定点迭代为基础的FastICA算法是一种非常有作用的批量处理算法,可用于最大化多维目标函数[132～135]。

FastICA算法,也称为固定点(Fixed-Point)算法,这种算法采用批处理方法。基于负熵的目标函数极大化x=As的负熵,本章选择了研究者最常用的不动点算法,制造方法的特点是收敛速度快并且鲁棒性非常好。

在ICA模型的解决方案中,数据预处理是必要的。以下FastICA算法的输入数据是在离散小波变换的二阶分解之后重建的图像,并且平均值和PCA维数减少之后的数据已经变白[136～138]。

(1)去平均值(有时称为数据居中)是输入数据最基本的预处理步骤。(www.daowen.com)

(2)白化过程能够清除信号之间的相关,并且可以使后续独立分量的提取过程简化。在正常情况下,白化过程的数据,ICA算法的收敛性更好。还可以说白化解决了ICA问题的一半,并且是解决ICA问题必不可少的预处理步骤。

(3)主成分分析(Principal Component Analysis)是一种常用的线性模型。

(4)估计方法。FastICA实际上是用于寻找wTx的非高斯性最大值的定点迭代方案。