ICA, independent component analysis, 獨立分量分析, 獨立組分分析, 獨立成分分析
獨立分量分析（independent component analysis，ICA）是近年來發展起來的一種新的信號處理技術。基本的ICA是指從多個源信號的線性混合信號中分離出源信號的技術。除了已知源信號是統計獨立外，無其他先驗知識，ICA是伴隨着盲信源問題而發展起來的，故又稱盲分離。
在復雜的背景環境中所接收的信號往往是由不同信源產生的多路信號的混合信號。例如，幾個麥克風同時收到多個說話者語音信號；在聲納、陣列及通信信號處理中，由於耦合使數據相互混疊；多傳感器檢測的生物信號中，得到的也是多個未知源信號的混疊。ICA方法是基於信源之間的相互統計獨立性。與傳統的濾波方法和累加平均方法相比，ICA在消除噪聲的同時，對其它信號的細節幾乎沒有破壞，且去噪性能也往往要比傳統的濾波方法好很多。而且，與基於特征分析，如奇異值分解（SVD）、主成分分析（PCA）等傳統信號分離方法相比，ICA是基於高階統計特性的分析方法。在很多應用中，對高階統計特性的分析更符合實際。
獨立分量分析在通信、陣列信號處理、生物醫學信號處理、語音信號處理、信號分析及過程控制的信號去噪和特征提取等領域有着廣泛的應用，還可以用於數據挖掘。
Fast-ICA算法是芬蘭赫爾辛基工業大學計算機及信息科學實驗室Hyvarien等人提出並發展起來的。Fast-ICA算法基於非高斯性最大化原理，使用固定點（Fixed-point）迭代理論尋找WTX的非高斯性最大值，該算法采用牛頓迭代算法對測量變量X的大量采樣點進行批處理，每次從觀測信號中分離出一個獨立分量，是獨立分量分析的一種快速算法。