针对卫星多径信号引入的干扰问题,建立了卫星多径干扰信号盲源分离模型,采用基于降维Householder变换的特征矩阵联合近似对角化(JADE)算法对接收的混合信号四阶累积量进行联合近似对角化,从而提取多径信号。实验结果表明,本算法能很好地分离频谱完全重叠的多径信号和部分重叠的干扰信号;在提取多径信号方面,本算法的性能优于快速独立成分分析(FastICA)算法;在运行时间上,FastICA算法运行1000次的平均时间约为采用Givens旋转的Cardoso高阶累积量特征矩阵联合近似对角化(CG-JADE)算法的6倍,而本算法比CG-JADE算法的平均运行时间少0.0024 s,证明了本算法的有效性和快速性。

针对语音卷积盲源分离频域法排列顺序不确定性问题，提出一种多频段能量排序算法。通过对混合信号的短时傅里叶变换（STFT），在频域上各个频点建立一个瞬时混合模型进行独立分量分析，之后结合能量相关排序法和波达方向（DOA）排序法解决排序不确定性问题，再利用分裂语谱方法解决幅度不确定性问题，进而得到每个频点正确的分离子信号，最后利用逆短时傅里叶（ISTFT）变换得到分离的源信号。仿真结果表明，与Murata的排序算法对比，改进的算法在信号偏差比、信道干扰比、系统误差比上都所提高。

同频混叠信号的处理一直是通信信号处理中的难点,常规的信号处理方法难以对其进行有效分析。本文运用最新的盲源分离理论,实现了混叠通信信号的盲分离。仿真结果表明,本文采用的算法分离效果好,运算速度快,可移植性强,基本实现了对混叠通信信号的实时盲分离。

FastICA_25.rar

盲源分离算法 matlab 多个文件

MATLAB盲源分离ICA的问题-Speech.rar 我在网上下载了FastICA Matlab 2.5版的GUI。 在自己的电脑上试着分离两个未知盲源， 一个是演讲，另一个警笛噪音。我想将两个分离出来。我用的是2个microphone来录制的这段音频。 奇怪的是，用下载的这个GUI包，我无法分离这两个盲源。于是我从那个ICA的网站上下载了他们展示的wav音频文件。我可以成功的分离他们展示的音频文件。 我想知道这倒是什么原因。不知道有没有高人能稍微解释解释 这个GUI下载的链接： http://www.cis.hut.fi/projects/ica/fastica/code/dlcode.shtml 做展示的wav文件链接： http://www.cis.hut.fi/projects/ica/cocktail/cocktail_en.cgi （先选择盲源，然后点击mix sources，之后出来两个麦克风。右键点击，然后save link，就可以将混合后的盲源下载到本地了） 附件是我自己录制的混合盲源 先谢谢各位的参与。

主程序是MAIN.m 该程序将估计存在于瞬时混合并使用估计的单源点来估计混合矩阵。 那么混合矩阵的误差估计和最新估计的混合矩阵将被返回。 这里使用层次聚类算法来聚类估计的单源点。 不必使用层次聚类算法，可以使用任何其他合适的聚类算法。 这是论文“VG Reju、SN Koh 和 IY Soon，“瞬时盲源分离中混合矩阵估计的算法”，信号处理，第 89 卷，第 9 期，2009 年 9 月，第 1762–1773 页的 Matlab 代码.”

盲源分离（BSS: Blind Source Separation），又称为盲信号分离，是指在信号的理论模型和源信号无法精确获知的情况下，如何从混迭信号（观测信号）中分离出各源信号的过程。盲源分离和盲辨识是盲信号处理的两大类型。盲源分离的目的是求得源信号的最佳估计，盲辨识的目的是求得传输通道的混合矩阵。

传统的机械源分离方法往往事先假设源信号的个数已知, 否则无法进行机械源信号分离。然而, 在实际中 源信号 的个数往往是是未知的。针对此不足, 结合变分贝叶斯独立变 量分析和自相关测定, 提出一种机械源 数的最佳估 计 方法 , 它是通过比较不同模型的信度来 确定出 信源的个数。

变步长的LMS自适应滤波算法matlab程序