盲信号分离算法是怎样实现的？

最近刚刚学习了ICA，抛砖引玉期待大神的解答。
 
盲源信号分离(Blind Source Separation)中一种重要的方法是独立成分分析(Independent Component Analysis, ICA)
 
假定一种情况，在一个聚会上有N个人同时说话，这时有N个话筒在记录大家说话的声音，我们需要从这N个话筒收集的信息中分离出这N个人说的话。（另外，还有人多于话筒，话筒多于人的情况，我们只讨论N=N的情况）
 
我们假设这N个人说话被分为了M个部分，
即源信号
S=[s11 … … s1m
   s21 … … s2m
   … … … …
   sn1 … … snm]
混合信号
X=[x11 … … x1m
   x21 … … x2m
   … … … …
   xn1 … … xnm]
我们假定X是S的线性组合，即X=AS，如果我们可以根据X计算A的逆矩阵W => S=WX,那么我们就能计算出源信号S。
这里我们做两个个假定，1.假定源信号独立，2.源信号非高斯分布，这里解释一下假定2，我们知道根据中心极限定理，大量非高斯分布相加会使随机变量趋于高斯分布，那么如果我们能找到一组独立信号，即找到一组最不像高斯分布的分布，那么就最有可能是源信号。为什么？根据熵和信息的定义，这种情况是熵最高，即信息最大的情况。
 
那么我们只要最小化互信息（KL散度）或最大化分布之间的非高斯性（峰度近似法，负熵）就可以得到我们预期的结果。关于具体实现，容我再复习一下，以后补充。
 
ML新人一枚，如有错误欢迎指正。