sklearn中FastICA接口的使用方法

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