? 基于信息最大化的ICA算法的主要依據是使輸入端與輸出端的互信息達到最大，且輸出各個分量之間的相關性最小化，即輸出各個分量之間互信息量最小化，其算法的系統框圖如圖所示。

? 基于信息最大化的ICA算法的主要依據是使輸入端與輸出端的互信息達到最大，且輸出各個分量之間的相關性最小化，即輸出各個分量之間互信息量最小化，其算法的系統框圖如圖所示。

圖 3 基于改進的信息最大化的ICA算法的系統框圖

???? 上圖中，U=[u1,u2,u3,…]T是經過該算法之后輸出的信號向量，可以用來逼近輸入信號，U=W×X。分離信號Y=G(U)，G(U)是非線性函數，該函數直接影響分離性能。

信息最大化的ICA算法的判斷準則是信息最大傳輸的原則具體的說就是以分離矩陣W為變量，在熵的表達式中不斷調整W，使H(Y)最大化，此時就表明恢復的原始信號U的各個分量之間互信息量極小，非線性輸出信號Y與輸入X之間互信息滿足

對該公式兩邊關于分離矩陣W進行微分，然后通過公式推導可得，使得H(Y)極大的分離矩陣W的迭代計算公式

其中非線性函數采用GU=11+e-U ，μ是該算法的學習參數取0.05。而 是對第K次迭代輸出的各個分量之間的互信息進行度量，理想情況該項應該為-I。

在該算法中，非線性函數G(U)的選擇將會直接影響算法性能，因此對非線性函數進行修改是基于信息最大化的ICA算法的主要改進方向之一，文獻中討論了不同的非線性函數對算法性能的影響，發現非線性函數特性越陡峭，越適合作為基于信息最大化的ICA算法的非線性轉換函數，而符號函數具有最陡峭的特性，因此采用符號函數作為基于信息最大化的ICA算法的非線性轉換函數。

基于信息最大化的ICA算法主要有兩點優點，一是該方法擁有較快的收斂速度，二是采用不同非線性函數可以有效降低分離誤差。