【语音分离】FastICA算法语音信号盲源分离【含Matlab源码 3668期】

⛄一、获取代码方式

获取代码方式1：
完整代码已上传我的资源：【语音分离】基于matlab FastICA算法语音信号盲源分离【含Matlab源码 3668期】
点击上面蓝色字体，直接付费下载，即可。

获取代码方式2：
付费专栏Matlab语音处理（初级版）

备注：
点击上面蓝色字体付费专栏Matlab语音处理（初级版），扫描上面二维码，付费29.9元订阅海神之光博客付费专栏Matlab语音处理（初级版），凭支付凭证，私信博主，可免费获得1份本博客上传CSDN资源代码（有效期为订阅日起，三天内有效）；
点击CSDN资源下载链接：1份本博客上传CSDN资源代码

⛄二、FASTICA简介

1 基础概念
FastICA算法，又称不动点(Fixed-Point)算法，是由芬兰赫尔辛基大学Hyvärinen等人提出来的。是一种快速寻优迭代算法，与普通的神经网络算法不同的是这种算法采用了批处理的方式，即在每一步迭代中有大量的样本数据参与运算。但是从分布式并行处理的观点看该算法仍可称之为是一种神经网络算法。
FastICA算法有基于峭度、基于似然最大、基于负熵最大等形式，这里，我们介绍基于负熵最大的FastICA算法（可以有效地把不动点迭代所带来的优良算法特性与负熵所带来的更好统计特性结合起来）。它以负熵最大作为一个搜寻方向，可以实现顺序地提取独立源，充分体现了投影追踪（Projection Pursuit）这种传统线性变换的思想。此外，该算法采用了定点迭代的优化算法，使得收敛更加快速、稳健。
因为FastICA算法以负熵最大作为一个搜寻方向，因此先讨论一下负熵判决准则。由信息论理论可知：在所有等方差的随机变量中，高斯变量的熵最大，因而我们可以利用熵来度量非高斯性，常用熵的修正形式，即负熵。根据中心极限定理，若一随机变量由许多相互独立的随机变量之和组成，只要具有有限的均值和方差，则不论其为何种分布，随机变量较更接近高斯分布。换言之，较的非高斯性更强。因此，在分离过程中，可通过对分离结果的非高斯性度量来表示分离结果间的相互独立性，当非高斯性度量达到最大时，则表明已完成对各独立分量的分离。

⛄三、部分源代码

%% FastICA算法仿真
% ICA算法从提出至今就处于不断改进的进程中，到现在，经典的ICA算法已经基本
% 不再使用，而是被一种名为FastICA的改进算法替代。顾名思义，该算法的优点在
% 与Fast，即运算速度快。
% 输入信号为两段语音，混合矩阵为随机数构成，
% 采用FastICA算法对两段语音进行分离，并绘制了源信号、混合信号和分离信号
%
close all,clear all;clc;
%=%
% 读取语音文件，输入源信号 %
%=%
[S1,fs1] = audioread(‘sound1.wav’); % 读取原始语音信号，需要将两个语音文件放置在相应目录下
[S2,fs2] = audioread(‘sound2.wav’);
figure;
subplot(3,2,1),plot(S1),title(‘输入信号1’); %绘制源信号
subplot(3,2,2),plot(S2),title(‘输入信号2’);
s1 = S1’; %一行代表一个信号
s2 = S2’;
S=[s1;s2]; % 将其组成矩阵
%=%
% 对源信号进行混合，得到观测信号 %
%=%
Sweight = rand(size(S,1)); %由随机数构成混合矩阵
MixedS=Sweight*S; % 将混合矩阵重新排列
subplot(3,2,3),plot(MixedS(1,:)),title(‘混合信号1’); %绘制混合信号
subplot(3,2,4),plot(MixedS(2,:)),title(‘混合信号2’);

⛄四、运行结果

⛄五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]韩纪庆,张磊,郑铁然.语音信号处理（第3版）[M].清华大学出版社，2019.
[2]柳若边.深度学习:语音识别技术实践[M].清华大学出版社，2019.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除