https://blog.csdn.net/wolfcsharp/article/details/103836295
sklearn中FastICA接口的使用方法
ICA算法的数学原理
FastICA算法的实现过程及其python实现
sklearn中FastICA接口的使用方法
完整代码
ICA算法的数学原理
参考我的这篇文章:ICA算法的数学原理
FastICA算法的实现过程及其python实现
参考我的这篇文章:FastICA算法的实现过程及其python实现
sklearn中FastICA接口的使用方法
假设已知数据矩阵D,它的shape为[m,n],sklearn中的FastICA的调用方法如下:
from sklearn.decomposition import FastICA
#sklearn 中FastICA的使用方法
fast_ica = FastICA(n_components=2) #独立成分为2个
Sr = fast_ica.fit_transform(D) # SrT为解混后的2个独立成分,shape=[m,n]
1
2
3
4
5
完整代码
#FastICA_learn by Leo
import numpy as np
import math
import matplotlib.pyplot as plt
from sklearn.decomposition import FastICA
#应用方法
'''
函数名称:Jagged
函数功能:锯齿波生成器
输入参数:t 时刻
period 生成波形的周期
返回参数:jagged_value 与时刻t对应的锯齿波的值
作者:Leo Ma
时间:2020.01.04
'''
def Jagged(t, period = 4):
jagged_value = 0.5*(t-math.floor(t/period)*period)#math.floor(x)返回x的下舍整数
return jagged_value
'''
函数名称:create_data
函数功能:模拟生成原始数据
输入参数:None
返回参数:T 时间变量
S 源信号
D 观测到的混合信号
作者:Leo Ma
时间:2020.01.04
'''
def create_data():
#data number
m = 500
#生成时间变量
T = [0.1*xi for xi in range(m)]
#生成源信号
S = np.array([[math.sin(xi) for xi in T], [Jagged(xi) for xi in T]], np.float32)
#定义混合矩阵
A = np.array([[0.8, 0.2], [-0.3, -0.7]], np.float32)
#生成观测到的混合信号
D = np.dot(A, S)
return T, S, D
'''
函数名称:load_wav_data
函数功能:从文件中加载wav数据
输入参数:file_name 要读取的文件名
返回参数:T 时间变量
S 源信号
params wav数据参数
作者:Leo Ma
时间:2020.01.04
'''
def load_wav_data(file_name):
import wave
f = wave.open(file_name,'rb')
#获取音频的基本参数
params = f.getparams()
nchannels, sampwidth, framerate, nframes = params[:4]
#读取字符串格式的音频
strData = f.readframes(nframes)
#关闭文件
f.close()
#将字符串格式的音频转化为int类型
waveData = np.fromstring(strData,dtype=np.int16)
#将wave幅值归一化
S = waveData / (max(abs(waveData)))
T = np.arange(0,nframes) / framerate
return T,S,params
'''
函数名称:save_wav_data
函数功能:将wav数据保存到文件中
输入参数:file_name 要保存的文件名
params 保存参数
S wav信号
返回参数:None
作者:Leo Ma
时间:2020.01.04
'''
def save_wav_data(file_name,params,S):
import wave
import struct
outwave = wave.open(file_name, 'wb')
#设置参数
outwave.setparams((params))
#将信号幅值归一化
S = S / (max(abs(S)))
#逐帧写入文件
for v in S:
outwave.writeframes(struct.pack('h', int(v * 64000 / 2)))#S:16位,-32767~32767,注意不要溢出
outwave.close()
'''
函数名称:load_create_data
函数功能:从文件中加载wav数据,并对其进行混合
输入参数:None
返回参数:T 时间变量
S 源信号
D 观测到的混合信号
params wav数据的参数,两端音频参数是一样的
作者:Leo Ma
时间:2020.01.04
'''
def load_create_data():
#两段音频截取的一样长
T1,S1,params1 = load_wav_data('./voice/sound1.wav')
T2,S2,params2 = load_wav_data('./voice/sound2.wav')
if np.shape(T1)[0] > np.shape(T2)[0]:
T = T1
else:
T = T2
#将大小为(1,m)的S1、S2合并成S,S的大小为(2,m)
#其中S1[np.newaxis,:]将(m,)加入一个新轴,变成(1,m)
#np.vstack((a,b))将a和b两个矩阵在列方向上进行合并
#另外,np.hstack((a,b))将a和b两个矩阵在行方向上进行合并
S = np.vstack((S1[np.newaxis,:],S2[np.newaxis,:]))
#定义混合矩阵
A = np.array([[0.8, 0.2], [-0.3, -0.7]], np.float32)
#生成观测到的混合信号
D = np.dot(A, S)
return T,S,D,params1
'''
函数名称:show_data
函数功能:画出数据图
输入参数:None
返回参数:None
作者:Leo Ma
时间:2020.01.04
'''
def show_data(T, S):
plt.plot(T, S[0,:], color='r', marker="*")
plt.show()
plt.plot(T, S[1,:], color='b', marker="o")
plt.show()
#主函数入口
def main():
'''第一种创建数据方法:从文件中读取两端语音信号'''
#生成数据,T是时间变量,S是源信号,D是观测到的混合信号
T, S, D, params = load_create_data()
#将两段混合信号保存在硬盘上
save_wav_data('./voice/mix1.wav',params,D[0,:])
save_wav_data('./voice/mix2.wav',params,D[1,:])
'''第二种创建数据方法:用两个波形生成器生成两个信号'''
#T, S, D = create_data()
#sklearn 中ICA的使用方法
ica = FastICA(n_components=2) #独立成分为2个
DT = np.transpose(D) #将混合信号矩阵转换为shape=[m,n],这里n=2
SrT = ica.fit_transform(DT) # SrT为解混后的2个独立成分,shape=[m,n]
Sr = np.transpose(SrT)#将解混后的信号矩阵转换为shape=[n,m],这里n=2
print('times:')
print(ica.n_iter_) # 算法迭代次数
#将两段由FastICA算法重构的信号保存在硬盘上
save_wav_data('./voice/reconsruct_sound1.wav',params,Sr[0,:])
save_wav_data('./voice/reconsruct_sound2.wav',params,Sr[1,:])
#画出数据图像
print("T,D:")
show_data(T, D)
print("T,S:")
show_data(T, S)
print("T,Sr:")
show_data(T, Sr)
if __name__ == "__main__":
main()
运行结果:
同样check保存在硬盘中的声音文件,发现FastICA算法工作良好:
代码中还对自己构造的两个波形信号进行了实验,效果良好:
————————————————
版权声明:本文为CSDN博主「Leo-Ma」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/wolfcsharp/article/details/103836295