盲源分离 扩展联合对角化算法 FUNCTION函数中有具体说明

二阶盲分离算法，包括AMUSE、SOBI、JADER、EFICA、ERICA、WASOBI等，代码详细，由注释，便于理解学习。

单通道盲源分离实现代码，Matlab编写的SSA-ICA算法。单通道数据映射成多维子空间，经过分组得到多路数据，再调用FastICA算法实现源信号分离。

搜到的一些算法程序，都是可以运行的，C-FICA算法是 time-domain Convolutive extension of FastICA算法，解决卷积混合的。算法出自作者J. Thomas, Y. Deville and S. Hosseini的论文 "Time-domain fast fixed-point algorithms for convolutive ICA",也在附件中。 convbss算法也是解决卷积混合的，算法出自作者Lucas Parra, Clay Spence的论文 "Convolutive blind source separation of non-stationary sources"。这个论文附件里也有。 BBSGUI里的算法有EFICA, WASOBI, COMBI, MULTI-COMBI, FCOMBI, BGL, BLOCK EFICA, BARBI。

上传盲源分离matlab代码，希望有用。 盲源分离（Blind Source Separation, BSS）问题是20世纪80年代提出的，Jutten在90年代初给出严格的数学描述。其真正被重视只是近10年的事。盲源分离的研究涉及到人工神经网络、统计信号处理和信息论的有关知识，现在已成为人工神经网络的重要发展方向之一。盲源分离的开拓性研究起源于Jutten与Herault于1991年的论文。P. Comon首先提出了盲源分离的独立分量分析(Independent Component Analysis，ICA)方法。A. J. Bell和T. J. Sejnowsk在盲源分离算法的发展史上作出了重要贡献，带动了后续的研究工作。国内关于盲源分离的研究最早始于1997年，主要集中在电信传输信号的盲识别上。

FastICA算法的matlab实现，内含人工信号的加噪合成、去均值、白化处理。利用fastICA算法实现多信号的盲源分离

FastIca盲源分离算法(Matlab编写)，算法比较精简，带有详细注释。算法步骤可以查找FastIca的相关文献。

本文给出了一种基于特征矩阵联合近似对角化（JADE， Joint Approximate Diagonalization of Eigen-matrices）的共形阵列信号DOA估计算法。该算法首先对接收数据进行白化处理，利用白化后的数据构造四阶累计量矩阵，通过对特征矩阵联合近似对角化获得流形矢量矩阵的估计，从而实现信号的DOA估计。算法对阵列形状限制小，无需谱峰搜索。以圆台共形阵列为例，通过仿真实验验证了算法的有效性。

采用自然梯度算法处理典型的盲信号分离问题。

转：bofill的经典欠定盲源分离算法，以及算法对应的论文。