盲源分离源码

⑴ matlab算法进入死循环

并不是死循环，只是循环的次数比较多，你没有等到它算完而已。

当你强制中断时，也未必每次都在同一个地方，比如这行代码

h=h+eval(G);

就有两处，一处在 for k=1:100 循环内，另一处在 for k=2:e，for r=1:100 的循环内。除了这两行之外，还有一行比较耗时间，是 u1=u1+eval(g)*Z(:,j)。

这三行代码都是调用了符号运算，而且循环次数比较多（粗略估算，分别为30万、120万、30万次），差不多99%的运算时间都消耗在这三行代码上了，所以，当你强制中断时，刚好落在这三行上的概率非常大。

再耐心等一会儿，应该能够算完的。不过，就代码而言，应该可以进一步优化的，不是必须要等那么久的。

⑵ 盲源分离的盲源分离的发展及发展趋势

目前国际国内对盲源分离问题的研究工作仍处于不断发展阶段，新理论、新方法还在源源不断地涌现。 1986年，法国学者Jeanny Herault和Christian Jutten提出了递归神经网络模型和基于Hebb学习律的学习算法，以实现2个独立源信号混合的分离。这一开创性的论文在信号处理领域中揭开了新的一章，即盲源分离问题的研究。
其后二十几年来，对于盲信号分离问题，学者们提出了很多的算法，每种算法都在一定程度上取得了成功。从算法的角度而言，BSS算法可分为批处理算法和自适应算法；从代数函数和准则而言，又分为基于神经网络的方法、基于高阶统计量的方法、基于互信息量的方法、基于非线性函数的方法等。
尽管国内对盲信号分离问题的研究相对较晚，但在理论和应用方面也取得很大的进展。清华大学的张贤达教授在其1996年出版的《时间序列分析——高阶统计量方法》一书中，介绍了有关盲分离的理论基础，其后关于盲分离的研究才逐渐多起来。近年来国内各类基金支持了盲信号处理理论和应用的项目，也成立了一些研究小组。 虽然盲源分离理论方法在最近20年已经取得了长足的发展，但是还有许多问题有待进一步研究和解决。首先是理论体系有待完善。实际采用的处理算法或多或少都带有一些经验知识，对于算法的稳定性和收敛性的证明不够充分。盲源分离尚有大量的理论和实际问题有待解决，例如多维ICA问题、带噪声信号的有效分离方法、如何更有效地利用各种先验知识成功分离或提取出源信号、一般性的非线性混合信号的盲分离、如何与神经网络有效地结合、源信号的数目大于观察信号的数目时ICA方法等。另外，盲源分离可同其他学科有机结合，如模糊系统理论在盲分离技术中的应用可能是一个有前途的研究方向；盲源分离技术与遗传算法相结合，可以减少计算复杂度，提高收敛速度。如何有效提高算法对源信号统计特性的学习和利用也需要进行深入研究。在硬件实现方面，盲分离问题也存在着极大的发展空间，例如用FPGA实现等。
经过人们将近20年的共同努力，有关盲分离的理论和算法得到了较快发展，包括盲分离问题本身的可解性以及求解原理等方面的基本理论问题在一定程度上得到了解决，并提出了一些在分离能力、内存需求、计算速度等方面性能各异的算法。由于该问题的理论研究深度和算法实现难度都较大，目前对于盲分离的研究仍然很不成熟，难以满足许多实际应用需求，许多理论问题和算法实现的相应技术也有待进一步探索。

⑶ 盲源分离的介绍

盲源分离(BSS: Blind Source Separation)，又称为盲信号分离(BSS: Blind Signal Separation)，是指在信号的理论模型和源信号无法精确获知的情况下，如何从混迭信号（观测信号）中分离出各源信号的过程。

⑷ sobi算法和jade算法的全称是什么啊 哪位大侠知道在盲源分离算法中着两种算法的全称啊

jointly approximate diagonalisation of eigen matrices 本征矩阵联合近似对角化；
second order blind identification 二阶盲辨识

⑸ BSS的编辑本段盲源分离的数学模型

盲信号分离研究的信号模型主要有线性混合模型和卷积混合模型，盲源分离源信号线性混合式比较简单的一种混合形式，典型的BSS./ICA问题就是源于对独立源信号的线性混合过程的研究。

⑹ 什么是盲信号

盲是指未知，信源未知和信道未知。最典型的例子是鸡尾酒会问题，硬件上关系不大，主要是软件和算法，对数学要求较高。应用领域很广，但是目前应用实际中的较少。

⑺ 用ica实现盲源分离的python程序吗

经常有人在群里问，运维人员需不需要学开发？需不需要学 PYTHON ？ PYTHON 和 SHELL 有什么区别？天天问这种好水的问题，我实在受不了，决定帮大家扫扫盲，求求新手们，以后别他妈瞎问了。

现阶段，掌握一门开发语言已经成为高级运维工程师的必备计能，不会开发，你就不能充分理解你们系统的业务流程，你就不能帮助调试、优化开发人开发的程序， 开发人员有的时候很少关注性能的问题，这些问题就得运维人员来做，一个业务上线了，导致 CPU 使用过高，内存占用过大，如果你不会开发，你可能只能查到进程级别，也就是哪个进程占用这么多，然后呢？然后就交给开发人员处理了，这样咋体现你的价值？

另外，大一点的公司，服务器都上几百，上千，甚至数万台，这种情况下怎样做自动化运维？用 SHELL 写脚本 FOR 循环？呵呵，歇了吧， SHELL 也就适合简单的系统管理工作。到复杂的自动化任务还得要用专门的开发语言。你可能说了，自动化管理有专门的开源软件＼监控也有，直接拿来用下就好了，但是现有的开源软件如 puppet\saltstack\zabbix\nagio 多为通用的软件，不可能完全适用你公司的所有需求，当你需要做定制、做二次开发的时候，你咋办？找开发部门？开发部门不懂运维的实际业务逻辑，写出来的东西烂烂不能用，这活最后还得交给运维开发人员来做。

其次，不会运维开发，你就不能自己写运维平台＼复杂的运维工具，一切要借助于找一些开源软件拼拼凑凑，如果是这样，那就请不要抱怨你的工资低，你的工作不受重视了。

为什么要学 PYTHON ？

PYTHON 第一是个非常牛 B 的脚本语言， 能满足绝大部分自动化运维的需求，又能做后端 C/S 架构，又能用 WEB 框架快速开发出高大上的 WEB 界面，只有当你自已有能力做出一套运维自动化系统的时候，你的价值才体现出来，你才有资格跟老板谈重视， 否则，还是老老实实回去装机器吧。

运维开发为什么要用 PYTHON ？

Good question, 为什么不用 PHP ， JAVA ， C++ ， RUBY ，这里我只能说，见人见智， 如果你碰巧已经掌握了除 PYTHON 之外的其它语言，那你爱用啥用啥，如果你是一个连 SHELL 都还没写明白的新手，想学个语言的话，请用 PYTHON ， 为什么呢？首先， PHP 是跟 PYTHON 比的最多的，其实他俩根本就不用比，为什么呢？两个语言适用性不同， PHP 主要适用于 WEB 开发，可以迅速的做出中小型，轻量级的 WEB 网站，但后端嘛，基本还是要借助其它语言， 借助什么语言呢？ SHELL ？ PYTHON ？呵呵。 而 PYTHON 呢， 是个综合语言， 前后端都可以，单拿出来比 WEB ，也一点不比 PHP 差，但为什么WEB方向上 PHP 比 PYTHON 要火？ 先入为主嘛， PHP 90 年代诞生就是做 WEB 的， PYTHON2000 年后才出现 WEB 框架，但论优秀程度上， PYTHON 的 WEB 框架基本上出其无左，至少是跟 PHP 比。

⑻ 如何分离说话人的混合声 matlab

这个其实是一个盲源分离的问题，使用ICA或者BSS算法能够进行分离，不过分离结果待定

⑼ 盲源分离的概述

盲源信号分离是一种功能强大的信号处理方法，在生物医学信号处理，阵列信号处理，语音信号识别，图像处理及移动通信等领域得到了广泛的应用。
盲源分离（BSS：Blind source separation），是信号处理中一个传统而又极具挑战性的问题，BSS指仅从若干观测到的混合信号中恢复出无法直接观测的各个原始信号的过程，这里的“盲”，指源信号不可测，混合系统特性事先未知这两个方面。在科学研究和工程应用中，很多观测信号都可以看成是多个源信号的混合，所谓鸡尾酒会问题就是个典型的例子。其中独立分量分析ICA（Independent component analysis）是一种盲源信号分离方法，它已成为阵列信号处理和数据分析的有力工具，而BSS比ICA适用范围更宽。目前国内对盲信号分离问题的研究，在理论和应用方面取得了很大的进步，但是还有很多的问题有待进一步研究和解决。

⑽ ica是什么意思

ica是独立成分分析。

在信号处理中，独立成分分析（ICA）是一种用于将多元信号分离为加性子分量的计算方法。这是通过假设子分量是非高斯信号，并且在统计上彼此独立来完成的。ICA是盲源分离的特例。一个常见的示例应用程序是在嘈杂的房间中聆听一个人的语音的“鸡尾酒会问题”。

相关信息：

ICA(Independent Component Correlation Algorithm)是一种函数，X为n维观测信号矢量，S为独立的m（m<=n)维未知源信号矢量，矩阵A被称为混合矩阵。ICA的目的就是寻找解混矩阵W（A的逆矩阵），然后对X进行线性变换，得到输出向量U。

最简单的即为最近邻分类器用距离参数表示训练集模板与测试样本的差异，认为测试样本与满足最小距离的训练样本属于同一种表情。