基于局部均值分解和AMUSE算法的欠定模型中盲源分离

利用多信号模型可简明表征系统因果关系以及盲源分离算法可提取系统本源信息的特点, 提出一种新颖有效的复合故障诊断方法. 首先, 针对复合故障下多信号模型出现冗余测试和故障模糊组的情况, 应用盲源分离算法实现测点信息的盲分离, 基于盲信号重建多信号模型的因果结构; 其次, 理论分析了该方法对复合故障具有良好的可诊断性. 轧制过程AGC系统的实验结果表明, 所提出方法对双复合故障和部分多复合故障的隔离和定位准确率可达100%.

信号分解的matlab代码稀疏2DCCA 用法：只需在MATLAB中运行demo.m文件。 我已使用MATLAB 2017b版本成功运行了这些脚本。 如果您在运行此模拟设置时遇到任何问题，请提出问题。 我将尝试尽快做出回应。 如果您使用提供的MATLAB代码，请引用本文 Muhammad Ali Qadar，AbdeldjalilAïssa-El-Bey，Abd-Krim Seghouane，通过惩罚矩阵分解进行的二维CCA，用于结构保存的fMRI数据分析，数字信号处理，第92卷，2019年，第36-46页，2019年。 可以在这里访问本文 感谢Navid Shokouhi在此代码开发过程中提供的帮助。

对两段语音信号叠加后进行处理，实现信号的分离

将通过频域卷积信号盲源分离算法从MP3歌曲音频信号中分离出人声主唱信号,再从人声主唱信号中提取出能够表征歌曲的旋律特征构建哼唱检索系统的歌曲数据库。盲源分离要求观测信号数目不小于源信号数目,因此先用小波多分辫率分析构造一路观测信号,再用频域独立成分分析(FDICA)实现MP3歌曲音频信号的盲源分离(BSS)。实验证明,采用FDICA-basedBSS从歌曲MP3中分离出的人声主唱信号的旋律特征与待检索的人声哼唱信号的旋律特征有较高的相似度,可以用歌曲MP3构建哼唱检索系统的歌曲数据库。

在无线传感器网络中，终端处理器接收的信号通常是复杂的单通道混合混沌信号。工程部门需要从混合信号中分离出有用信号，以进行下一次传输分析。 由于混沌信号是非线性且不可预测的，因此传统的盲分离算法无法有效地分离混沌信号。 为了解决这些问题，基于粒子滤波估计算法，提出了扩展卡尔曼粒子滤波算法（EPF）和无味卡尔曼粒子滤波算法（UPF），以解决混沌信号的单通道盲分离问题。 混合不同强度的混沌信号执行盲源分离。 使用不同的评估指标进行实验并分析性能。 结果表明，该算法有效地分离了混合混沌信号。

为解决卷积混合频域盲源分离排序不确定问题，研究了分离矩阵行列式变化和频点距离对基于相邻频点幅度相关性排序算法的影响，提出了改进的盲源分离排序算法。改进算法用权重系数来衡量频点对排序的影响，并将分离矩阵作为下一频点分离矩阵的迭代初值，给出了权重系数设定函数。最后对瞬时混合信号、卷积混合信号、实际房间采集信号分别进行盲源分离实验。实验结果表明，与Murata算法相比，改进算法分离信号信噪比提高、分离速度加快、算法鲁棒性强。

这是一份关于fast ica的matlab代码，用户可以用于信号的盲源分离。

DUET声音分离算法 实现DUET盲源分离算法的Python代码。 从此处的MATLAB代码转换而来-https: ，而该代码又基于和 它被转换为python，成为更多的“开源”-并不是每个人都可以启动并运行MATLAB，Octave并不能完成MATLAB可以做的一切。 Data文件夹中显示的所有声音文件均记入原始casa495项目。 ===============================积分： harmeet88523 巴尔加瓦德（Bhargavvader） NareshPeshwe

该算法可以实现在频域解解卷积，包含排序算法，亲测好用