针对盲源分离问题有多种算法，介绍的是独立成分分析算法
从图中可以看出，如果两个服从高斯分布的变量叠加后仍然是高斯变量，只知道混合后的信号没有办法得到混合前的有效边缘信息。但是这个假设不严苛，可以允许
多个原始信号中有一个信号服从高斯分布
第二个假设表示，比如宴会上有3个人的说话声，那么至少需要3个录音笔，这样我们才能得到与原始信号个数相同的观察信号（有超完备盲源分析和欠信号盲源分析问题，此处不考虑）
第三个假设：利用中心极限定理，x1是s1和s2的线性叠加和，那么根据中心极限定理，x1比s1和s2更加接近高斯分布，但是根据第一个假设，原始信号为非高斯信号，那么此时，只有当x1等于原始信号中的其中一个，那么x1的非高斯性越强
这里我们利用负熵衡量非高斯性
大多数情况下两者求解相同，但是有时候并行的解法偶尔优于串行解法。但，有些情况下只能利用串行求解，比如四个盲源信号和四个观察信号，如果我们只想要知道其中3个原始信号，保险起见利用串行求解
从图中可知，FastICA可以求解出原始信号，但是无法保证顺序
高斯变量和非高斯变量混合在一起，如果利用独立成分分析，当目标函数趋于零时，无法再提取独立成分，也就是说，n个变量最多存在n个独立成分，此时表示他们是相互独立变量。