基于FastICA的声源分离实例（matlab代码）

        文章的叙述将从三个部分展开，一：对独立成分分析（ICA）部分基础概念的论述，以及形象化理解；二：以两段独立声源为素材，先对其随机混合，得到观测信号（X）–（模拟自然混合声源），采用基于FastICA的估计方法，对观测信号进行解混，得到相应的独立成分，并将之与原素材对比，判断解混效果；三：学习ICA算法的部分心得体会。

1 独立成分分析（ICA）的形象化理解

        在进行正式的实例化代码演示前，先对独立成分分析（ICA）进行部分阐述，以便对后续代码的处理过程，有更为形象的认识。本部分的论述，分为盲源分离的认识；独立成分分析的基础概念；FastICA算法的理解。

1.1 盲源分离（BlindSource Separation，BSS）的认识

1. 盲源分离与ICA的关系

       ICA 与盲源分离的方法具有非常密切的关系。ICA是实现盲源分离的其中一种，也是被最广泛使用的方法，故而，有必要在介绍ICA前，对盲源分离进行简要的介绍。

2. 盲源分离的基础概念：

       盲源分离是由“鸡尾酒会问题”引出，该问题描述的是一场鸡尾酒会中有N个人一起说话，同时有N个录音设备，问怎样根据这N个录音文件恢复出N个人的原始语音，示意图如下^[1]。（ICA就是针对该问题所提出的一个算法。）

       盲源分离：根据源信号的统计特性，是指仅由观测的混合信号恢复（分离）出未知原始源信号的过程。通常观测到的混合信号来自多个传感器的输出，并且传感器的输出信号独立性（线性不相关）。

       盲信号的“盲”字强调了两点：1)原始信号并不知道；2)对于信号混合的方法也不知道。

       盲源分离的目的：求得源信号的最佳估计。（当盲源分离的各分量相互独立时，就成为独立分量分析）^[2]。

3. 盲源问题的原理性分析：

       寻找一个类似于【公式１】中矩阵B确定线性变换，使得随机变量Yi，i＝１，２，．．ｎ尽可能独立，流程示意如下图所示：

       因此，BSS的主要工作是寻找一个线性滤波器或者是一个权重矩阵B。理想的条件下，B矩阵是A矩阵的逆矩阵。由于参数空间不是欧几里得度量，在大多的情况下都是黎曼度量，因此对于B（或W）矩阵的求解选用自然梯度解法。

4. 自然梯度求解法：

1.2 独立成分分析（ICA）的基础概念

1. ICA模型：
   

       其中随机向量X=(x1,x2，…，xn)表示观测数据或观测信号(observed data)，随机向量S=(s1，s2，…，sn)表示源信号，称为独立成分(independent components)，A称为nxn的混合矩阵(mixing matrix)，在该模型中，X表示的是一个随机向量，x(t)表示随机向量X的一个样本；Y=BX=BAS；Y是我们求解后的成分信号，S是源信号，若要使Y最大程度上逼近S，这实际上就是个优化过程，只需要满足解混合矩阵B是最佳估计A的逆矩阵就好。
       上图所示是标准的独立成分分析模型，可以看作成一个生成模型(generativemodel)，它的意思是说观测信号是通过源信号混合而生成的，在这个意义下，独立成分也称为隐含或潜在交量(hidden／latent , nariable )，也就是说这些独立成分是无法直接观测到的，另一方面，混合系数矩阵A也是未知的。

2. ICA模型的直观理解