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。

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。

【信号处理】单通道盲源分离（SSA-ICA）算法.md

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。

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。

为了提高单通道盲源分离性能，首先由单路信号利用经验模态分解得到一系列本征模函数分量组合成多路信号；其次针对存在模态混叠的本征模函数分量，提出利用信号周期性构造其多路信号，并利用独立分量分析消除模态混叠的有效方法；然后利用互相关性消除上述步骤所得到的多路信号中的虚假分量，并将剩余的分量信号与观测信号构成新的多路信号；最后利用Fast-ICA（fast-indepe

文中分别采用经验模态分解（EMD），变分模态分解（VMD）两种预处理方法，使单通道观测信号由欠定信号转为正定或超定从而解决其“非欠定”限制，并对此两种预处理方法进行仿真实验对比验证，研究表明，不同的预处理方法会影响信号盲分离的结果，寻找一种高效、快速的预处理方法是解决欠定盲信号分离的关键，且仿真实验结果表明，VMD预处理方法更具优越性。

基于ICA的单通道盲源分离算法，程序代码方便读者理解，里面包含了相关数据源和程序包