独立分量分析的思想最早是在20世纪80年代早期由J. Herault、C. Jutten和B. Ans在神经生理学的背景下提出来的。1986年，在一次以神经网络计算为主的学术会议上，他们提交了一篇采用一个迭代的神经网络模型和基于Hebb学习的算法来实现了混合信号分离的论文。由于该方法与主成分分析类似，所以被命名为”独立分量分析”（Independent components analysis，简称ICA）。但是，由于这次ICA是以一种神经网络模型的形式出现，因而只在较小的范围内研究，并没有得到足够的重视。1989年召开的第一届高阶谱分析的国际研讨会上，J. F. Cardoso和P. Comon发表了在ICA方面的早期文章。20世纪90年代中期，A. J. Bell和T. J. Sejnowski发表了基于信息极大原理的ICA方法。在此之后，ICA得到了更为广泛的关注，各领域的研究人员对它的兴趣也不断增加，至今为止已经出现了大量致力于ICA的文章、研讨会和专题分组会议。独立分量分析的第一届国际研讨会在1999年1月在法国的Aussois召开，吸引了上百位ICA和盲源分离方面的研究者，使得ICA成为一个被承认并也已成熟的研究领域。

自ICA提出以来，许多学者提出了多种ICA方法。Inouye曾提出了两个源信号分离的方法，P. Comon提出了多个源信号的解决办法，这是人们第一次直接解决ICA问题。J. F. Cardoso使用代数方法，特别是高阶累积张量，形成了JADE算法。P. Comon提出了多个源信号的解决办法。随后Jutten和Herault给出了较为ICA的详细的描述并给出了一个新算法，现在称之为H-J算法。Comon于1994年给出了独立分量分析的一个较为严格的数学定义，用互信息作为衡量独立性的一个标准，并给出了一个基于高阶统计量的独立分量分析算法，并一个将ICA方法应用于盲信号分离。由此，ICA的发展才走上统一化的道路，也促进了各种算法的研究。Linske，Nadal和Parga首先提出了信息最大化方法。在此基础上，A. J.Bell和T. J. Sejnowski于1995年给出了一种基于信息极大化原理上的最大熵infomax算法，Lee等人提出了扩展的infomax算法。A. Hyvarinen，A. Oja和J. Karhunen等又提出了快速独立分量分析FastICA算法。由于其在解决大规模问题上的快速性和有效性，FastICA算法成为现在常用的一种ICA算法。

1994年以后，我国学者关于独立分析原理的研究也迅速的发展起来。刘琚等提出了基于ICA的数字水印的方法。胡波利用反馈式神经网络根据Hebbina的学习算法，实现了在近场情况下，一般信号的盲分离。利用天线阵列，接收信号可以看作是由N个独立信号源激励的线性传输混合系统的输出，由于信道存在码间干扰，混合矩阵中的元素不是常数，而是一个线性子系统，针对这一情况，凌燮亭提出了一个新的盲分离器结构，首先将接收信号进行盲分离，然后利用基于模型的盲均衡器消除了每一路输出信号的码间干扰，从而实现了多用户信号的分离。冯大政等提出了一种新的信号盲分离算法，它每个阶段仅抽取单个独立成分。在2005年时，王毅等人就总结出当时独立分量分析的基本问题与研究进展。他们当时认为独立分量分析需进一步研究的问题是：1、带噪混合信号的盲分离问题，2、”鸡尾酒会”问题，3、欠完全问题，4、非线性和奇异（病态）混合情况等等。杨燕在自己的博士论文中将主分量和独立分量分析方法引入到土木工程结构的信号处理和损伤识别方法中，利用它们的统计特性对结构信号进行降噪处理和损伤特征提取；将ICA方法主要用于降噪处理，提出了基于ICA的对同测点增加扩展通道和多通道信号增设噪声通道的方法进行降噪处理，并且不改变原信号的动力特征，从而发现ICA的降噪效果优于小波。魏巍，刘学伟研究了独立分析的基本原理和快速算法，通过地震信号和工频干扰的分析发现地震信号和工频干扰满足独立分量分析的适用条件，即在统计上相互独立并服从非高斯分布，在他们的仿真实验中，为了利用FastICA消除地震记录中的工频干扰，他们构造了两两相互正交的参考信号作为ICA输入，与传统方法的结果进行比较，发现从波形上观察ICA方法所得结果最接近有效地震信号，频谱分析进一步说明ICA在有效消除工频干扰的同时，能够很好的保护有效信号。金桂梅等在2010年研究了将改进的FastICA算法应用于基于FM资源的无源雷达直达波与目标反射波的精确提取与分离情况。他们在以单源多基地的仿真实验中，针对测量信号一般为超定或正定的情况，先对信号进行源数估计，得到正定的信号，再利用改进的FastICA算法对得到的正定信号进行盲源分析，得到各独立分量，通过对分离后的信号进行排序和相位调整，从而得到分离结果。

本文将独立分量分析的方法运用于雷达信号的处理中，发现通过独立分量分析（ICA）的方法，可以降低信号之间的相关性，获得更多的独立信息。针对雷达信号的采样一般是过采样的，为了提高参数估计的精度，我们考虑采集的信号通常是由几个具有不同自相关函数的组合的而成。其次，针对现有独立成分分析估计算法的局限性，提出了P阶不相关性的ICA算法。通过计算机模拟，对本文提出的新的基于时间序列模型的雷达模拟信号进行了实验验证，这种算法都获得了较好的结果，文章最后也为进一步研究指明了方向。

参考文献

[1]J. F. Cardoso. High-order contrasts for independent components analysis [J]. Neural Computation. 1999, 11(1):157～192．

[2]P. Comon. Independent components analysis#8212;a new concept?[J]. Signal Processing. 1994, 36:287～314．

[3]A. J. Bell, T. J.Sejnowski. The ”independent components#8217; of natural scenes are edge filters [J]. Vision Resrearch, 1997, 37:3327～3338．

[4]A. Hyvarinen. Fast and robust fixed-point algorithms for independent component analysis [J]. IEEE Trnas. On Signal Processing. 1999, 10(3):626～634．

[5]A.Hyvarinen Sparse code shrinkage: denoising of non Gaussian data by maximum likelihood estimation. Neural Computation, 1999,11 (7): 1739-1768.