简介JADE盲源分离算法原理以及MATLAB程序面向信号处理、语音信号处理课程学习与盲源分离入门读者帮助理解如何从多路传感器观测的混合信号中恢复未观测的原始源信号。内容围绕JADE展开介绍盲分离“源信号未知、混合方式未知”的基本设定说明算法利用信号四阶累积量也涉及三阶累积量思路刻画非高斯性并要求源信号统计独立、最多只有一个高斯信号从而分离统计独立的非高斯信号。配套MATLAB程序可用于复现算法流程、观察累积量计算与分离结果适合课程设计、算法验证和自学对照。资源以zip压缩包提供体积约426KB轻量易取便于在本地MATLAB环境中运行与修改。已有953人学习可作为盲源分离与高阶统计量方法的实践参考。1. JADE盲源分离为什么四阶累积量能做这道无监督的鸡尾酒会题几路传感器绑在同一台设备上采回来的每条曲线都是多个激励源叠在一起的结果手里只有观测没有混合矩阵——JADE盲源分离算法就是冲着这种场景来的。它不假设源信号服从某种特定分布只要求各源统计独立、至多一个高斯源用四阶累积量把独立编码成一组矩阵再靠联合近似对角化把混合矩阵反解出来。相比基于梯度的独立成分分析JADE是代数解不用调学习率对初值不敏感一套MATLAB程序几百行就能跑通。适合手头有m路观测、源数不超过观测数、采样点足够多、且源信号非高斯的工程人员。下面按预处理、累积量、联合对角化、避坑、验证五步把可复现的程序和参数边界讲清楚。2. 从观测到白化JADE开工前的两步预处理2.1 盲源分离的可辨识性JADE能解什么、不能解什么先把模型摆清楚。瞬时线性混合写成矩阵形式就是 x(t) A s(t)x 是 m 维观测列向量s 是 n 维源列向量A 是 m×n 的未知混合矩阵。JADE要干的事是找一个 n×m 的分离矩阵 W让 y Wx 在顺序任意、尺度任意的意义下等于 s。这个顺序任意、尺度任意不是程序没写好是盲分离的固有不确定性把某一列源信号乘上 3同时把 A 对应列除以 3观测完全不变任何只依赖观测的算法都分不出绝对幅度。同理交换两列也观测不到差别。工程上验收JADE看的不是第1路输出必须对应第1个源而是输出集合与源集合能否一一对上。JADE有三条硬假设。第一源分量之间统计独立注意是独立不是仅仅不相关。不相关只约束到二阶白化之后二阶信息已经用尽剩下的旋转自由度必须靠高阶统计量来定。第二至多一个源服从高斯分布。高斯分布的四阶累积量恒为零而且高斯分布在正交变换下形式不变意味着高斯源在白化后的旋转里完全透明算法看不见它。第三混合矩阵列满秩观测路数不少于源数也就是适定或超定场景。欠定时 m nJADE直接失效得换成稀疏分量分析那一类方法。另外模型是瞬时混合没有延迟和回声如果传感器间距大、采样率高传播延迟不可忽略得先做对齐或者换卷积混合模型。还有一个容易被忽略的前提源的非高斯性要足够强。JADE的判别信息全部来自四阶累积量正弦、方波、锯齿、脉冲这类源峰度偏离零效果好如果某一路源本身接近高斯比如大量独立噪声叠加后的结果它在这一路就会翻车。这不是参数没调好是信息量不够。我的血泪经验是动手写代码之前先画一遍各路观测的直方图和峰度心里对哪几路可能分不开有个预判比跑完再猜原因省时间。2.2 中心化与预白化MATLAB程序里的特征值阈值怎么定JADE的第一步不是算累积量而是白化。白化的作用是把混合矩阵压成一个正交矩阵搜索空间从一般的 m×n 矩阵降到正交群未知参数从 m×n 个变成 n(n-1)/2 个旋转角。推导很直接先对观测去均值算协方差 C E[xx]做特征分解 C EΛE取 V Λ^{-1/2}E令 z Vx。若 x As则 z VAs Qs而 E[zz] QE[ss]Q I说明 Q 的列正交Q 是正交矩阵。于是找 W 等价于找正交的 Q最后 W QV。这一步在MATLAB里十行以内但阈值取值直接决定后面累积量矩阵是否被噪声污染。function [Z, V, Tback] jade_whiten(X, tol) % X: m x T每行一个观测通道 % tol: 相对特征值阈值默认 1e-6 if nargin 2, tol 1e-6; end m size(X,1); X X - mean(X,2); % 逐通道去均值累积量公式依赖零均值 C (X*X)/size(X,2); % 协方差1/T 与 1/(T-1) 在大 T 下无差别 C (C C)/2; % 强制对称压掉浮点误差 [E, D] eig(C); [d, ord] sort(diag(D), descend); % eig 不保证降序必须显式排 E E(:, ord); keep d tol * d(1); % 相对阈值避免绝对阈值随量纲漂移 n sum(keep); E E(:, keep); d d(keep); V diag(1./sqrt(d)) * E; % n x m 白化矩阵 Z V * X; % n x T 白化数据 Tback E * diag(sqrt(d)); % m x n 反白化矩阵需要回到观测空间时用 end这段代码的关键在三个地方。第一去均值必须做四阶累积量的标准公式建立在零均值上漏掉这一步相当于在公式里多出一堆均值交叉项分离结果会出现莫名其妙的偏移。第二keep用的是相对阈值tol * d(1)因为传感器量纲可能是 mV 也可能是 Pa绝对阈值没法通用。tol取 1e-6 对应信噪比较高、通道数等于源数的场景如果观测里噪声明显或者通道数大于源数、你希望主动降维可以放宽到 1e-4 到 1e-3让弱特征值对应的方向被截掉。第三eig返回的特征值顺序是随机的不排序直接取前 n 个等于随机丢通道这是新手最常见的错误之一。白化完建议做一次自检norm(Z*Z/T - eye(n))应该在 1e-10 量级。如果明显偏大说明协方差估计有问题比如 T 太小或者数据里有直流漂移没去干净。还有一个细节降维后 n 小于 m 时Tback的维度是 m×n只能把白化空间的结果映射回观测空间的一个子空间不能完整还原需要完整还原时得保留被截掉的特征向量。注意白化阈值不是越小越好。特征值很小的方向白化要乘 1/sqrt(d)噪声会被放大到与信号同一量级后面的累积量矩阵里全是噪声贡献。宁可少留一个源也不要让病态方向混进来。3. 四阶累积量矩阵JADE真正吃进去的输入长什么样3.1 累积量矩阵F(M)把统计独立翻译成一组矩阵白化之后问题变成在正交群里找一个旋转 Q使得 Qz 的各分量独立。二阶统计量已经用完了得看四阶。对零均值实随机向量 z四阶累积量张量定义为 cum(z_i,z_j,z_k,z_l) E[z_i z_j z_k z_l] - E[z_i z_j]E[z_k z_l] - E[z_i z_k]E[z_j z_l] - E[z_i z_l]E[z_j z_k]。白化条件下 E[z_i z_j] δ_ij后三项大幅简化。JADE不直接操作 n⁴ 个张量元素而是用一个 n×n 的对称矩阵 M 把张量压成一个矩阵F(M)_ij Σ_kl cum(z_i,z_j,z_k,z_l) M_kl代入白化条件化简后得到工程上真正用的公式F(M) E[(zMz) z z] - tr(M)I - M - M。这个式子的计算量是 O(n²T)比显式构造 n⁴ 张量省得多。它的线性性很重要F(M1M2) F(M1)F(M2)所以只要对一组基矩阵算出 F就等于掌握了整个四阶累积量张量在这些方向上的投影。为什么对角化这组矩阵就能得到 Q设 z QsQ 正交源分量独立。独立源的四阶累积量张量只有全同下标的元素非零记 κ_i cum(s_i,s_i,s_i,s_i)其余交叉项全为零。于是 F_s(N) diag(κ_1 N_11, …, κ_n N_nn)是一个对角矩阵。累积量张量在正交变换下的协变关系给出 F_z(M) Q F_s(QMQ) Q。把 F_s 的表达式代进去F_z(M) Q diag(κ .* diag(QMQ)) Q。如果 M 选得让 QMQ 本身是对角阵那么 F_z(M) 就被 Q 对角化了。JADE的做法是取一组基矩阵 M_k要求同一个 Q 把所有 F_z(M_k) 同时对角化——这就是联合近似对角化这个名字的来历。原始论文取的是累积量矩阵的主特征矩阵工程实现里直接取 n(n1)/2 个对称基矩阵的像更直观两者在张量层面等价。这里要强调一点JADE优化的是近似对角化不是精确对角化。有限采样下累积量估计有方差矩阵组不可能被完全同时对角化算法找的是使非对角元素平方和最小的那个正交变换。所以目标函数是 Σ_k off(UF_kU)²off(·) 表示去掉对角元后的部分。理解这一点后面调收敛参数时才知道在看什么。3.2 MATLAB计算累积量矩阵组向量化写法与内存预算基矩阵取 E_ij E_jii≠j和 E_ii共 nbcm n(n1)/2 个。为了不让不同基矩阵的尺度差异影响联合对角化的权重i≠j 时乘 1/√2 做归一化这样每个基矩阵的F范数都是 1。代码里用w sum(Z.*(M*Z),1)一次算出所有样本的二次型 zMz再用(Z.*w)*Z/T算加权外积的平均避免逐样本循环。function CM jade_cumulants(Z, do_normalize) % Z: n x T 白化数据零均值、单位协方差 % CM: n x (n*nbcm)第 k 个矩阵存放在列块 (k-1)*n1 : k*n % do_normalize: 是否按 Frobenius 范数归一化每个累积量矩阵 if nargin 2, do_normalize true; end [n, T] size(Z); nbcm n*(n1)/2; CM zeros(n, n*nbcm); k 0; for i 1:n for j i:n k k 1; M zeros(n); if i j M(i,i) 1; else M(i,j) 1/sqrt(2); M(j,i) 1/sqrt(2); % 对称基保证 F(M) 对称 end P M * Z; % n x T w sum(Z .* P, 1); % 1 x T每个样本的 zMz F (Z .* w) * Z / T ... % E[(zMz) z z] - trace(M)*eye(n) ... % 白化带来的二阶修正 - M - M; % 对称矩阵M M if do_normalize nf norm(F, fro); if nf 0, F F / nf; end end CM(:, (k-1)*n1 : k*n) F; end end end参数和逻辑说明如下。do_normalize默认打开作用是让每个累积量矩阵在目标函数里权重相近避免某个范数特别大的矩阵主导旋转方向。副作用是信噪比低时噪声主导的小矩阵会被放大到与信号矩阵同等权重所以 SNR 低于 10 dB 时建议关掉靠数据本身的量级自然加权。trace(M)和MM这两项修正不能省它们来自白化条件 E[zz]I去掉的话算出来的不是累积量而是四阶矩分离结果会系统性本文还有配套的精品资源点击获取