1)对观测信号去均值是ICA算法最基本和最必须的预处理步骤，其处理过程是从观测中减去信号的均值向量，使得观测信号成为零均值变量。该预处理只是为了简化 ICA算法，并不意味着均值不能估计出来。

2)一般情况下所获得的数据都具有相关性，通常都要求对数据进行初步的白化或球化处理，因为白化处理可去除各观测信号之间的相关性，从而简化后续独立分量的提取过程。通常情况下，数据进行白化处理与不对数据进行白化处理相比，算法的收敛性较好，有更好的稳定性。

3)对多个独立分量的估计，需要将最大非高斯性的方法加以扩展。对应于不同独立分量的向量在白化空间中应是正交的，算法第6步用压缩正交化保证分离出来的是不同的信号，但是该方法的缺点是第1个向量的估计误差会累计到随后向量的估计上。

简单地说快速ICA算法通过三步完成:首先，对观测信号去均值;然后，对去均值后的观测信号白化处理;前两步可以看成是对观测信号的预处理，通过去均值和白化可以简化ICA算法。最后，独立分量提取算法及实现流程见流程图。

FastICA算法的方法输出向量，在排列顺序的时候可能出现颠倒和输出信号幅度发生变化。这主要是由于ICA的算法存在2个内在的不确定性导致的:

1)输出向量排列顺序的不确定性，即无法确定所提取的信号对应原始信号源的哪一个分量;

2)输出信号幅度的不确定性，即无法恢复到信号源的真实幅度。

但由于主要信息都包含在输出信号中，这2种不确定性并不影响其应用。

clear all
%% --------------------------------- Set Parameters
N = 1;                              %The number of observed mixtures
Ns = 2;                             %The number of independent sources
Ls = 1000;                          %Sample size, i.e.: number of observations
finalTime = 40*pi;                  %Final sample time (s)
initialTime = 0;                    %Initial sample time (s)

%% --------------------------------- Generating Data for SSA-ICA
Amix = rand(N,Ns);                      %Amix is a random N x Ns mixing matrix
timeVector = initialTime:(finalTime-initialTime)/(Ls-1):finalTime;  %Vector of time coordinates
source1 = sin(1.1*timeVector);          %Independent source component 1, sin(a * t)
source2 = cos(0.25*timeVector);         %Independent source component 2, cos(b * t)
S = [source1;source2];                  %Source Matrix

figure
plot(timeVector,source1)                    %Plotting the N independent sources vs. time
xlabel('time (s)')
ylabel('Signal Amplitude') 
legend('source 1')

figure
plot(timeVector,source2)                    %Plotting the N independent sources vs. time
xlabel('time (s)')
ylabel('Signal Amplitude') 
legend('source 2')

Yobs = Amix*S;                              %Matrix consisting of M samples of N observed mixtures

figure
plot(timeVector,Yobs)                       %Plotting the observed signal vs. time
xlabel('time (s)')
ylabel('Signal Amplitude') 
legend('observed signal')

%% --------------------------------- Call SSA-ICA algorithm
M = 200;
Sest = SSA_ICA(Yobs,Ns,M);

%% ---------------------------------  Show results
figure
plot(timeVector, Sest(1,:))
xlabel('time (s)') 
ylabel('Signal Amplitude') 
legend('Source Estimation 1')

figure
plot(timeVector, Sest(2,:))
xlabel('time (s)') 
ylabel('Signal Amplitude') 
legend('Source Estimation 2')
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32.
  • 33.
  • 34.
  • 35.
  • 36.
  • 37.
  • 38.
  • 39.
  • 40.
  • 41.
  • 42.
  • 43.
  • 44.
  • 45.
  • 46.
  • 47.
  • 48.
  • 49.
  • 50.
  • 51.

【信号处理】基于ICA算法信号分离matlab源码_matlab

【信号处理】基于ICA算法信号分离matlab源码_matlab_02

【信号处理】基于ICA算法信号分离matlab源码_matlab_03

【信号处理】基于ICA算法信号分离matlab源码_信号处理_04​