针对单通道语音信号盲分离的问题，结合盲源分离和经验模式分解的优点，提出了一种基于经验模式分解的单通道语音信号源数估计和盲源分离方法"对语音混合信号进行经验模式分解，利用贝叶斯算法估计语音源数目，根据源信号数目重组多通道语音混合信号，并采用独立分量分析实现语音信号的盲分离"仿真实验表明，使用此法能有效地估计通道语音信号源数和分离盲源.

用于盲源分离，也是独立成分分析的一种算法，由芬兰人提出的fastica算法，此程序简单无误，欢迎大家下载学习

ICA主要用于特征提取和信号盲源分离中。在盲源信号分离中，关于源的个数是确定的，因此分离出的源信号数目在分离之前是确定已知的。监测信号的维数与源信号的数目相同，混合矩阵和源信号具体情况在分离之前可以不清除具体表现形式，但是需要满足独立、非高斯分布的条件，这些是在实际中应用ICA需要考虑的条件。

【信号处理】单通道盲源分离（SSA-ICA）算法.md

matlab盲源代码CAMNS_program 盲源分离的演示代码（在 Matlab 中） 假设线性瞬时混合。 用法 代码用于 matlab\octave。 因此，请确保在运行代码之前安装它。 只需阅读CAMNS_LP.m文件即可了解如何使用CAMNS_LP(X,N)函数。

由休斯顿大学的 Scot McNeill 为博士开发。 在大卫·齐默曼手下工作。 此版本使用测量数据的分析信号，如下面的第一个参考。 配对步骤被取消。 采用两步 JAD 算法（白化和旋转）。 该版本本质上是对振动响应数据的分析信号应用二阶盲识别 (SOBI) 来估计复杂模式和模态响应。 首先，运行 rand3dof 文件夹中的示例 bmid_3dof_rand.m 或bmid_frame1.m 位于框架文件夹中。 运行 3 DOF 模拟需要控制系统工具箱，否则加载从模拟生成的数据文件。 使用 BID 方法或本工具箱中的任何工具发表的任何作品， 必须引用以下参考文献。 SI McNeill，盲模态识别的分析公式。 接受的论文振动与控制杂志。 SI McNeill，DC Zimmerman，使用联合的盲模态识别框架近似对角化。 机械系统和信号处理 22(7), 1526-1548

EFICA广泛用于信号处理 图形处理！ 盲源分离信号处理的算法

窄带物联网环境中，接收机收到的信号通常为多路混合信号，对单通道接收来说，利用常规盲源分离方法很难实现混合信号的分离和源信号提取。针对这一问题，本文提出了一种利用Kalman滤波算法进行信号估计，解决单通道盲源分离的方法。该方法利用信号间的时序结构，通过Kalman滤波算法对多信号混合中的源信号不断估计并迭代更新，最终得到分离信号。仿真实验结果表明，该方法能有效估计并分离出源信号。

聚类奇异谱分解方法及其在机械复合故障诊断中的应用.pdf

基于欠定盲源分离理论与深度学习的声音样本集获取与分类方法.pdf