介绍
独立成分分析(ICA,Independent Component Correlation Algorithm)简介
X=AS
ICA的目的就是寻找解混矩阵W（A的逆矩阵），然后对X进行线性变换，得到输出向量U。
U=WX=WAS
过程
(1)对输入数据进行中心化和白化预处理
X*=X-u
经过白化变换后的样本数据为
Z=Wz X*
(2)从白化样本中求解出解混矩阵W
通过优化目标函数的方法得到W
(3)得到独立的基向量U
U=WX
应用：表情分类
得到基向量U后，任何一个样本可用U的线性组合来表示。
线性组合的系数即Xi向U上的投影系数：
Ei=UXi'
训练样本和测试样本可分别得到Ei和Etest。
然后选择合适的分类器，就可以进行分类。最简单的即为最近邻分类器（NNC）：用距离参数表示训练集模板与测试样本的差异，认为测试样本与满足最小距离的训练样本属于同一种表情。