★ FEATURED ARTICLE 简介面向信号处理、语音分析与算法复现的学习者这份资源围绕JADE盲源分离展开适合已有一定MATLAB基础、希望理解盲信号分离原理并动手实现的研究生与工程技术人员。内容从盲源分离的基本问题切入在源信号与混合方式均未知的条件下利用观测信号的统计独立性恢复原始信号并重点说明JADE依赖高阶累积量常用四阶也有三阶方案与源信号非高斯性的思路。资源还提示了方法边界除统计独立外源信号中最多只能有一个高斯信号算法主要适用于统计独立的非高斯信号对非白、非平稳特性未作专门考虑。压缩包约426KB文件总数与类型明细暂未提供从标题看应包含原理说明及MATLAB程序便于对照公式理解累积量计算、分离矩阵求解与结果验证。已有953人学习适合作为盲源分离入门与课程实验的参考材料。1. 三路信号混在一起时这套 JADE 的 matlab 算法能拆到什么程度实验室里那台三通道采集设备采回来的信号永远是混在一起的三路传感器同时录同一个冲击事件在三路里都留下痕迹谁的贡献占多少说不清。想拆开深度学习的路子要先有标注、要调 GPU、要反复试网络结构而一套完整的 matlab 算法——JADEJoint Approximate Diagonalization of Eigenmatrices特征矩阵联合近似对角化——核心代码不到两百行跑一次几秒钟就能把线性瞬时混合的多路信号按统计独立性拆回源信号。它押注的是四阶累积量高斯噪声的四阶累积量为零所以现场噪声大一点它反而不慌。适合做课程设计、做传感器阵列预处理、想给 ICA 找一个确定性基准的人。下面按能跑通的顺序拆原理、代码结构、参数、踩坑。2. 四阶累积量凭什么能定位那个旋转从白化到联合对角化2.1 线性瞬时混合与两个模糊为什么二阶统计量不够先把模型钉死后面的代码才有依据。JADE 面对的是线性瞬时混合x(t) A s(t) n(t)x 是 n 维观测s 是 m 维源这里假设 m n源数靠主成分谱自己判断A 是 n×m 的未知混合矩阵n(t) 是观测噪声。要求只有三条源之间统计独立、源里最多一个高斯分布、A 列满秩。这三条不满足后面无论怎么调参数都是白费。只用二阶统计量能做到什么程度对 x 求协方差 R E[xx^T] A E[ss^T] A^T特征分解后能得到一个白化矩阵 W使 z Wx 满足 E[zz^T] I。但白化只消除了二阶相关性剩下的自由度是一个正交旋转z U sU 是任意正交矩阵你怎么转二阶统计量都看不出差别。这就是 ICA 里常说的「白化之后只剩一个旋转」这个旋转必须靠更高阶的统计信息来定JADE 用的是四阶累积量。另一个绕不开的点是两个模糊分离出来的信号幅度不确定源乘任意标量混合矩阵除以该标量观测不变顺序也不确定源的排列可以任意换。所以判断分离好坏不能拿分离信号和原始信号逐点相减看误差必须用带排列和缩放不变性的指标这一点在第 3 章的 PI 函数里会落实到代码。2.2 白化把混合矩阵压成一个正交旋转白化的实现有讲究不是一句zscore能替代的。标准做法是对协方差矩阵做特征分解取特征值的负平方根做缩放。这里有两个工程细节一是协方差必须强制对称eig在病态矩阵上算出来的 R 可能有微小的非对称导致特征向量出现复数二是特征值要设下限当某一路传感器几乎没信号时最小特征值接近零取负平方根会直接炸掉分离结果全是 NaN。function [Z, W] whiten(X, r) % X: n x N 观测矩阵每行一个通道 % r: 保留的主分量个数缺省等于通道数 n [n, N] size(X); if nargin 2 || isempty(r), r n; end Xc X - mean(X, 2); % 逐通道去均值累积量对均值敏感 R (Xc * Xc) / N; % 协方差 [E, D] eig((R R) / 2); % 强制对称避免复数特征向量 [d, idx] sort(diag(D), descend); E E(:, idx); d d(1:r); floor_val max(d) * 1e-10; % 特征值下限防止病态放大 d(d floor_val) floor_val; W diag(d.^(-1/2)) * E; % 白化矩阵 Z W * Xc; % 白化后 E[zz^T] ≈ Ir这个参数决定保留几个主分量也就间接决定了后面认为有几个源。常见错误是直接取r n明明只有两路有效信号硬塞三路进去多出来的那一维全是噪声累积量矩阵束会被噪声主导分离结果看起来「拆开了但每一路都很脏」。判断方法在 4.2 节给看特征值谱有没有断崖。白化还有一个容易忽略的前提——各通道的量纲要大致可比。三路传感器一个是毫伏级、一个是伏级协方差矩阵的条件数会非常大白化相当于把弱通道放大一千倍同时把它的噪声也放大一千倍。常见做法是白化前对每个通道做一次标准差归一化让协方差矩阵的对角线都在 1 附近这一步在实测数据上经常是决定性的。2.3 四阶累积量矩阵束为什么是 Q(M) 而不是 n 的四次方张量四阶累积量完整形式是一个 n×n×n×n 的张量元素个数是 n 的四次方。三通道是 81 个八通道就是 4096 个直接对张量做联合对角化计算量和存储都不划算。JADE 的做法是把张量沿着若干方向投影成一组 n×n 的矩阵这叫矩阵束matrix pencil。对白化后的数据 z定义累积量矩阵Q(M) E[ (z^T M z) · z z^T ] − 2M − tr(M)·IM 是任意 n×n 的权重矩阵。这个式子里最关键的性质是如果 z 服从高斯分布Q(M) 恒等于零矩阵。推导不复杂高斯分布的四阶累积量为零而白化后的二阶项刚好被 −2M − tr(M)I 抵消掉。这意味着观测噪声只要是高斯的无论多大方差对 Q(M) 的贡献都是零JADE 的抗噪能力就来自这里而不是来自什么滤波预处理。权重矩阵 M 取多少组理论上取 n² 个线性无关的基就够了实际实现中利用 Q(M) 的对称性取 n(n1)/2 个对称基即可覆盖。三通道是 6 个矩阵八通道是 36 个规模可控。function Q cum4mat(Z, M) % Z: n x N已经白化且去均值 % M: n x n 权重矩阵 [n, N] size(Z); MZ M * Z; % n x N u sum(Z .* MZ, 1); % 1 x N即每个时刻的 z^T M z Q (Z .* u) * Z / N - 2*M - trace(M)*eye(n);这段代码里Z .* u是隐式扩展把第 j 个时刻的标量 u(j) 乘到 z(:,j) 上再乘 Z 求平均得到的就是 E[(z^T M z) z z^T]。老版本 MATLAB 不支持隐式扩展要写成bsxfun(times, Z, u)这个兼容性坑在第 5 章还会提一次。2.4 联合对角化的旋转角闭式解现在手上有一组矩阵 Q₁…Q_K性质是当分离矩阵 U 取对了U^T Q_k U 对每个 k 都是对角阵。原因很直接源之间独立四阶互累积量为零只有自累积量留在对角线上。于是问题变成找一个正交矩阵 U让这组矩阵同时尽可能对角目标函数写成非对角元素平方和J(U) Σ_k off(U^T Q_k U)²求解用 Jacobi 旋转每次挑两个坐标轴 (p, q)做一个 2×2 的 Givens 旋转把所有矩阵的 (p,q) 和 (q,p) 元素往零推逐对扫完一遍算一次迭代反复扫到收敛。关键是这个旋转角有闭式解不用做一维搜索。记 u_k Q_k(p,p) − Q_k(q,q)v_k Q_k(p,q) Q_k(q,p)累加 C Σu_k²、D Σu_k v_k、E Σv_k²则最优旋转角满足θ 0.25 · atan2(2D, C − E)这个式子来自「最大化旋转后对角元素平方和」的推导和最小化非对角平方和是等价的。验证一下单个矩阵 [[1, 0.5],[0.5, 1]]u 0、v 1C 0、D 0、E 1atan2(0, −1) πθ π/4正好把它转成对角阵 [[0.5, 0],[0, 1.5]]。旋转周期是 π/2θ 落在 (−π/4, π/4] 恰好覆盖一个周期不会漏解。提示这里的 θ 定义和教科书上某些 Givens 旋转差一个符号取决于旋转矩阵写成 G^T A G 还是 G A G^T。抄公式的时候必须和代码里的更新方式对齐否则迭代会发散而不是收敛。3. 代码怎么组织五个环节的接口与回代顺序3.1 主脚本先造一组自己知道答案的混合信号验证任何盲分离程序第一步都是造一个「知道真值」的数据集。不要上来就拿实测数据调那样分离错了你根本不知道是算法问题还是数据问题。下面的主脚本生成三路特性不同的源纯正弦二阶统计量强、四阶弱、方波四阶很强、调幅信号时变包络考验算法对非平稳性的鲁棒性再用一个条件数适中的矩阵混合最后叠一点高斯噪声。rng(7); % 固定随机种子保证结果可复现 fs 500; T 4; N fs * T; t (0:N-1) / fs; S_true [ sin(2*pi*7*t); % 源1纯正弦 sign(sin(2*pi*13*t)); % 源2方波四阶累积量强 (1 0.6*sin(2*pi*2.5*t)) .* sin(2*pi*41*t) ]; % 源3调幅 A_true [1.0 0.6 0.3; 0.4 1.0 0.5; 0.2 0.5 1.0]; % 对角线占优条件数约 2数值友好 X A_true * S_true; X X 0.05 * randn(size(X)); % 高斯观测噪声JADE 对它不敏感 [S_est, W, A_est] jade(X, 3); % r3认为有三个源 PI perf_index(W, A_true); fprintf(分离矩阵与真实混合矩阵的 PI %.4f\n, PI);这里的rng(7)不是可有可无的装饰。四阶累积量的估计方差比二阶大得多换一个随机种子PI 可能从 0.02 跳到 0.15尤其是样本量在两三千点的时候。做对比实验必须固定种子否则你调的「参数优化」很可能只是随机波动。A_true我特意选成对角占优条件数约 2。如果混合矩阵接近奇异比如两列几乎平行那本质上就是两路信号在观测空间里分不开任何盲分离算法都会翻车这属于数据问题而不是算法问题。3.2 jade 主函数白化、累积量、回代三步的接口约定主函数只做三件事白化、构造矩阵束、联合对角化然后把分离矩阵回代到原始观测上。接口设计上有个细节值得说返回分离矩阵 W而不是只返回分离信号 S。因为做性能评估、做后续的通道匹配、做在线分离都需要 W 这个线性算子只给 S 的话新来一批数据你还得重新跑一遍整个算法。function [S, W, A_est] jade(X, r) % X: n x N 观测 % r: 源数目保留的主分量个数 [n, N] size(X); if nargin 2 || isempty(r), r n; end Xc X - mean(X, 2); % 去均值 [Z, Wz] whiten(Xc, r); % 白化Wz 是 r x n Qset cum4_set(Z); % n x n x K 的矩阵束 [U, ~] joint_diag(Qset, 1e-8, 200); % U 是 r x r 正交阵 W U * Wz; % 总分离矩阵 r x n S W * Xc; % 分离信号 r x N A_est pinv(W); % 估计的混合矩阵 n x r矩阵束的生成函数把 n(n1)/2 个基矩阵遍历一遍注意非对角基要对称化写成 E(p,q) E(q,p) 1这样 Q(M) 才是实对称矩阵后面的 Jacobi 旋转才能用实数的闭式解。如果只写 E(p,q) 1得到的 Q 是非对称的联合对角化就得处理复数代码复杂度翻倍不说收敛也慢。function Qset cum4_set(Z) n size(Z, 1); K n * (n 1) / 2; Qset zeros(n, n, K); k 0; for p 1:n for q p:n E zeros(n); if p q E(p,p) 1; % 对角基 else E(p,q) 1; E(q,p) 1; % 对称非对角基 end k k 1; Qset(:,:,k) cum4mat(Z, E); end end接口一览函数输入输出说明whitenX (n×N), rZ (r×N), W (r×n)特征值裁剪输出白化数据与白化矩阵cum4matZ (n×N), M (n×n)Q (n×n)单个权重矩阵对应的累积量矩阵cum4_setZ (n×N)Qset (n×n×K)生成完整矩阵束K n(n1)/2joint_diagQset, tol, maxiterU (n×n)正交联合对角化返回旋转矩阵perf_indexW, A_true标量带排列与缩放不变性的性能指数本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
