最经典的基于ICA实现的语音信号的采集、随机混合，再通过盲分离将混合后的语音信号分离

这是直流电机速度控制的PI控制器的优化。这是在matlab7.0中完成的。您可以通过更改[varmin]，[varmax]矩阵来更改PI控制器的范围进行优化。 在“Main_ImperialistCompetitveAlgorithm.m”中。 成本函数基于稳定时间、上升时间、稳态误差、超调。优先级被赋予这些参数。您也可以更改优先级。参见“成本函数.m”。

matlab的egde源代码

数据驱动PCA、ICA和KICA故障检测仿真研究

ICA(独立成分分析法),Independent Components Analysis,图像处理中目前比较经典的特征提取方法

对两段语音信号叠加后进行处理，实现信号的分离

提出了一种由经验模态分解构造虚拟噪声通道，结合独立分量分析进行信号消噪的方法．在分析经验模态分解及独立分量分析优越性基础上，阐述了构造虚拟噪声通道的基本原理，给出了具体构造方法．用固有模态函数的Hilbert时频谱作为虚拟噪声通道重构分量选择的依据．仿真计算表明，该方法对白噪声的消除是有效的，消噪效果较为理想．与传统小波方法比较，具有优势．

用matlab编写的，也可以用写字板打开

人脸识别 本项目代表对面部投影技术（PCA，ICA和LDA）的比较分析，旨在比较使用公平意识训练对这些模型的性能影响的程度。 该技术在FERET图像数据集的两个450图像子集上进行了测试，一个旨在保留美国人口的种族构成（70％的白种人，20％的非洲人，10％的东南亚人），而其他人的种族背景分布均匀（33％的白人，33％的非洲人，33％的东南亚人）。 这两个数据集每个类（人）都包含两个图像，旨在模拟法律规范应用，其中每个人的可用图像数量预计会很少。 培训方法基于[1]中使用的方法。 首先通过均值减法和标准化对训练图像进行预处理。 然后执行PCA，得到一个180维子空间（450的40％），该子空间在受人口影响的数据中分别保留99.66％的信息，在公平意识的数据中分别保留99.68％的信息。 然后将这些预测用作ICA和LDA的输入数据。 生成的空间用于投影以前看不见的图像，并通过将它们与同一个

提出了一种基于小波变换和独立成分分析(ICA)的心房颤动(房颤)信号分离方法。首先通过小波变换将2个导联的Holter心电信号分解成一组信号,然后取其中几个尺度的单支重构信号进行ICA,分离出房颤信号。2个导联Holter系统无法满足ICA对信号通路数的要求,小波分解及单支重构解决了这一问题。ICA技术充分利用2个导联的信息,消除了单导联房颤信号分离方法易受伪迹和异位心搏等因素影响的缺点。实验证明了本方法的可行性和有效性,并且与常用的单导联分离方法的效果进行了对比。