简介这份资源围绕JADE盲源分离算法展开面向信号处理、语音信号分析方向的学习者与研究人员帮助理解盲信号分离的基本原理并掌握MATLAB实现方法。盲源分离最早由Herault和Jutten于1985年提出目标是从多个传感器观测到的混合信号中还原未被观测的原始信号其“盲”体现在源信号未知、混合方式也未知。JADE算法基于高阶累积量常用四阶累积量也可见三阶累积量的用法除要求源信号统计独立外最多允许一个高斯信号即利用源信号的非高斯性完成分离。资源以zip压缩包形式提供整体约426KB内容涵盖算法原理讲解与配套MATLAB程序便于读者对照理论推导运行代码、观察分离效果。目前已有951人学习下载适合作为盲源分离入门与算法复现的参考材料。1. 从一锅混叠信号里捞出源信号JADE盲源分离到底能干什么如果你手头有一组多通道采集信号比如几个传感器同时录下的混合波形而你想把其中各个独立源分别还原出来JADEJoint Approximate Diagonalization of Eigenmatrices就是绕不开的一个经典算法。它属于盲源分离里的高阶累积量路线核心思路是先算四阶累积量矩阵再通过联合近似对角化把混合矩阵估计出来最后还原源信号。和FastICA那种基于负熵的路线相比JADE不需要迭代优化直接走代数分解对超高斯和亚高斯源都能处理代价是计算量随通道数增长较快。这份MATLAB程序把JADE的完整流程拆成了可读的脚本和函数适合做算法验证、课程设计复现或者拿真实采集数据做分离实验的从业者。你不需要先啃完几十页推导才能跑通但得知道每一步在算什么否则调参时容易翻车。2. JADE的数学骨架从四阶累积量到联合对角化2.1 为什么选四阶累积量而不是二阶盲源分离里二阶统计量只能处理不相关源遇到高斯源就失效。JADE选四阶累积量是因为它对高斯信号恒为零天然具备抑制高斯噪声的能力。具体来说对零均值随机向量四阶累积量张量可以写成[ \mathcal{Q}_{ijkl} E{x_i x_j x_k x_l} - E{x_i x_j}E{x_k x_l} - E{x_i x_k}E{x_j x_l} - E{x_i x_l}E{x_j x_k} ]这个张量直接刻画了信号的非高斯性。JADE把四阶累积量按不同矩阵切片堆叠成一组累积量矩阵再找一组特征矩阵让它们同时近似对角化。对角化后得到的特征向量就对应混合矩阵的列方向源信号也就跟着解出来了。常见做法是先把观测数据白化让协方差矩阵变成单位阵这样后续只需要估计一个正交矩阵复杂度降一大截。白化没做好后面联合对角化再准也白搭这是很多新手第一个踩坑点。2.2 联合近似对角化的实现逻辑联合对角化是JADE的计算核心。给定一组累积量矩阵 ({\mathbf{C}_k})目标是找一个正交矩阵 (\mathbf{V})使得 (\mathbf{V}^T \mathbf{C}_k \mathbf{V}) 对尽可能多的 (k) 都接近对角阵。实际程序里通常用Givens旋转迭代或者直接对堆叠矩阵做特征分解。MATLAB程序里一般会封装一个joint_diag函数输入是三维数组或矩阵集合输出是估计的酉矩阵和一组对角化后的矩阵。这个函数的收敛判据通常是旋转角小于某个阈值比如 (10^{-8})或者达到最大迭代次数。阈值设太松分离结果会有残留串扰设太紧小规模数据上可能多跑几轮但收益不大。注意联合对角化的迭代次数和旋转阈值是JADE里最值得调的两个参数后面避坑章节会展开。2.3 白化步骤的代码实现与参数说明白化是JADE的前置步骤目的是把混合数据的协方差矩阵变成单位阵。下面这段代码是常见的白化实现输入观测矩阵X每行一个通道每列一个采样点。function [Z, V] whiten_data(X) % X: 输入观测矩阵行数 通道数列数 采样点数 % Z: 白化后的数据行数 通道数列数 采样点数 % V: 白化矩阵满足 Z V * X [n, T] size(X); % 去均值避免直流分量干扰累积量计算 X X - mean(X, 2); % 计算协方差矩阵 Rxx (X * X) / T; % 特征分解Rxx 是对称半正定矩阵 [E, D] eig(Rxx); % 按特征值从大到小排序 [d, idx] sort(diag(D), descend); E E(:, idx); % 构造白化矩阵eps 防止除零 D_inv_sqrt diag(1 ./ sqrt(d eps)); V D_inv_sqrt * E; % 得到白化数据 Z V * X; end这段代码里mean(X, 2)按行去均值保证每个通道零均值。eig返回的特征值可能包含接近零的小值加eps是防止开方时除零。排序后取全部特征向量是因为JADE通常假设通道数等于源数如果通道数大于源数这里需要截断到源数维度否则白化矩阵会包含噪声子空间后面累积量矩阵会被噪声主导。参数上T是采样点数一般建议至少几千点太少的话四阶累积量估计方差大分离结果不稳定。通道数n不宜超过8再大计算量会明显上升而且联合对角化的数值稳定性也会变差。3. 把JADE跑起来MATLAB程序结构与调用流程3.1 程序文件组成与依赖关系这份MATLAB程序通常包含以下几个部分主脚本demo_jade.m负责生成仿真信号、调用分离函数、画图对比核心函数jade.m实现白化、累积量矩阵构造、联合对角化、源信号恢复辅助函数joint_diag.m做联合近似对角化可能还有一个cumulant_matrix.m专门算四阶累积量矩阵。文件之间是调用关系主脚本不直接算累积量而是把白化后的数据传给jade.m。如果你拿到的包里有多个版本优先看主脚本里调用的函数名确认依赖路径都加到了MATLAB的搜索路径里。常见翻车是直接运行jade.m但缺少joint_diag.m报未定义函数。3.2 仿真数据生成与混合矩阵构造为了验证算法通常先造几路独立源信号比如正弦、方波、调幅信号再乘一个随机混合矩阵得到观测数据。下面这段代码生成三路源信号并混合% 生成仿真源信号 T 5000; % 采样点数 t (1:T) / 1000; % 时间轴采样率 1000 Hz S zeros(3, T); S(1, :) sin(2 * pi * 5 * t); % 5 Hz 正弦 S(2, :) square(2 * pi * 12 * t); % 12 Hz 方波 S(3, :) sawtooth(2 * pi * 20 * t, 0.5); % 20 Hz 锯齿波 % 随机混合矩阵固定种子保证可复现 rng(42); A randn(3, 3); X A * S; % 调用 JADE 分离 [S_est, A_est] jade(X, 3);这里rng(42)固定随机种子方便你复现结果。A是混合矩阵X是观测。jade函数第二个参数是源数如果事先不知道源数可以用特征值拐点法估计但仿真里直接给真值。S_est是估计的源信号A_est是估计的混合矩阵。注意估计出的源信号顺序和幅度可能与原始源不一致这是盲源分离的固有模糊性不是程序bug。3.3 分离结果评价相似系数与性能指标跑完分离后不能只看波形“像不像”得算指标。常用的是相似系数矩阵把估计源和真实源做归一化互相关理想情况下每行每列只有一个接近1其余接近0。% 计算相似系数矩阵 N size(S, 1); P zeros(N, N); for i 1:N for j 1:N P(i, j) abs(corr(S(i, :), S_est(j, :))); end end disp(相似系数矩阵); disp(P); % 计算平均串扰比 [max_val, ~] max(P, [], 2); mean_sir mean(max_val); fprintf(平均相似系数%.4f\n, mean_sir);corr算皮尔逊相关系数取绝对值是因为盲分离的幅度和相位模糊。max(P, [], 2)取每行最大值代表每个真实源被最好恢复的程度。平均相似系数超过0.95通常认为分离成功低于0.8就得检查白化、累积量估计或联合对角化参数。如果相似系数矩阵出现两行最大值在同一列说明源数估计错了或者混合矩阵接近奇异。提示仿真验证通过后换真实数据时先把通道数降到和源数一致再逐步增加别一上来就上高维。4. 避坑与排查JADE跑不出结果时先查这五处4.1 现象分离波形全是噪声相似系数接近0原因通常是白化步骤把信号子空间和噪声子空间混在一起了。如果通道数大于源数白化时取了全部特征向量噪声子空间的特征值很小白化矩阵会把噪声放大。解决方法是白化前先估计源数只取前n个最大特征值对应的特征向量。源数估计可以用相邻特征值比值比值突变点就是源数。4.2 现象联合对角化迭代不收敛程序卡住原因可能是累积量矩阵构造时用了未去均值的观测数据或者数据长度太短导致四阶累积量估计噪声大。解决方法是确保白化前已经去均值采样点数至少3000点联合对角化的最大迭代次数设到200以上旋转阈值放到 (10^{-6}) 先看能不能收敛再逐步收紧。4.3 现象分离出的源信号顺序和原始源对不上这是盲源分离的固有排列模糊性不是程序错误。JADE恢复的源顺序由联合对角化后对角元素的大小决定和原始源顺序无关。评价时用相似系数矩阵做匹配不要按索引直接对比。如果你需要固定顺序可以在分离后按某个特征排序比如按峰度或能量。4.4 现象两个源分离结果几乎一样串扰严重原因可能是两个源信号本身相关性太强或者混合矩阵接近奇异。JADE假设源之间统计独立如果源信号有强相关四阶累积量矩阵的对角化条件不满足。解决方法是检查源信号相关性必要时先做预白化或换用其他算法。混合矩阵条件数可以用cond(A)检查超过100就说明混合太病态仿真里换一个随机矩阵。4.5 现象程序在joint_diag里报矩阵维度不匹配原因通常是累积量矩阵堆叠时维度搞错了。四阶累积量矩阵对n个通道会产生n^2个矩阵每个矩阵大小n x n。如果堆叠成三维数组第三维应该是n^2。检查cumulant_matrix.m里的循环范围确保每个切片都是n x n。另外MATLAB版本差异可能导致eig返回顺序不同排序步骤不能省。5. 进阶用法把JADE嵌进自己的信号处理链路5.1 从仿真到真实采集数据的迁移要点仿真跑通后换真实数据最容易翻车的地方是采样率和通道一致性。真实采集里各通道可能有不同增益和延迟JADE假设瞬时混合如果通道间有延迟四阶累积量矩阵会被破坏。常见做法是先做通道对齐用互相关估计延迟并补偿再做JADE。另外真实数据往往有工频干扰白化前加一个带阻滤波比如50Hz或60Hz能明显改善分离效果。5.2 源数未知时的估计策略实际场景里源数往往不知道。我一般先用特征值分解看协方差矩阵的特征值分布画出来找拐点。拐点前的特征值明显大于后面的拐点位置就是源数。如果拐点不明显可以试几个候选源数分别跑JADE看相似系数或重构误差选指标最好的。注意源数估多了JADE会多出噪声源估少了强源会混在一起。5.3 计算加速与内存控制JADE的计算瓶颈在四阶累积量矩阵构造和联合对角化。通道数n增大时累积量矩阵数量按n^2增长每个矩阵n x n内存占用是O(n^4)。n10时还能接受n20就明显吃力。加速方法一是用MATLAB的parfor并行算累积量矩阵二是把联合对角化换成快速近似算法比如用FFT-based对角化。如果只是做验证建议先把通道数控制在8以内。5.4 一个可复用的封装函数框架下面这个封装把白化、累积量、对角化、恢复串起来输入观测和源数输出估计源和混合矩阵方便嵌到自己的链路里。function [S_est, A_est, W] jade_core(X, n_src) % X: 观测矩阵行通道列采样点 % n_src: 源数 % S_est: 估计源信号 % A_est: 估计混合矩阵 % W: 分离矩阵满足 S_est W * X [n_obs, T] size(X); if n_src n_obs error(源数不能大于观测通道数); end % 去均值 X X - mean(X, 2); % 白化只取前 n_src 个主成分 Rxx (X * X) / T; [E, D] eig(Rxx); [d, idx] sort(diag(D), descend); E E(:, idx(1:n_src)); d d(1:n_src); V diag(1 ./ sqrt(d eps)) * E; Z V * X; % 构造四阶累积量矩阵并联合对角化 % 这里调用外部 joint_diag返回酉矩阵 U C compute_cumulant_matrices(Z); U joint_diag(C, 1e-6, 200); % 恢复源信号 S_est U * Z; W U * V; A_est pinv(W); end这个框架里compute_cumulant_matrices和joint_diag需要你根据手头程序补上。n_src控制白化时保留的主成分数这是避免噪声放大的关键。joint_diag的第二个参数是旋转阈值第三个是最大迭代次数。返回的W是分离矩阵A_est用伪逆反推方便你做混合矩阵对比。从那以后我每次跑JADE都先把源数估计和白化主成分数对齐再检查联合对角化的收敛曲线最后才看波形。这个顺序能省掉大量来回调参的时间。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/15 17:19:56 · 阅读 1.2k JADE盲源分离MATLAB实战：从四阶累积量到联合对角化
简介这份资源围绕JADE盲源分离算法展开面向信号处理、语音信号分析方向的学习者与研究人员帮助理解盲信号分离的基本原理并掌握MATLAB实现方法。盲源分离最早由Herault和Jutten于1985年提出目标是从多个传感器观测到的混合信号中还原未被观测的原始信号其“盲”体现在源信号未知、混合方式也未知。JADE算法基于高阶累积量常用四阶累积量也可见三阶累积量的用法除要求源信号统计独立外最多允许一个高斯信号即利用源信号的非高斯性完成分离。资源以zip压缩包形式提供整体约426KB内容涵盖算法原理讲解与配套MATLAB程序便于读者对照理论推导运行代码、观察分离效果。目前已有951人学习下载适合作为盲源分离入门与算法复现的参考材料。1. 从一锅混叠信号里捞出源信号JADE盲源分离到底能干什么如果你手头有一组多通道采集信号比如几个传感器同时录下的混合波形而你想把其中各个独立源分别还原出来JADEJoint Approximate Diagonalization of Eigenmatrices就是绕不开的一个经典算法。它属于盲源分离里的高阶累积量路线核心思路是先算四阶累积量矩阵再通过联合近似对角化把混合矩阵估计出来最后还原源信号。和FastICA那种基于负熵的路线相比JADE不需要迭代优化直接走代数分解对超高斯和亚高斯源都能处理代价是计算量随通道数增长较快。这份MATLAB程序把JADE的完整流程拆成了可读的脚本和函数适合做算法验证、课程设计复现或者拿真实采集数据做分离实验的从业者。你不需要先啃完几十页推导才能跑通但得知道每一步在算什么否则调参时容易翻车。2. JADE的数学骨架从四阶累积量到联合对角化2.1 为什么选四阶累积量而不是二阶盲源分离里二阶统计量只能处理不相关源遇到高斯源就失效。JADE选四阶累积量是因为它对高斯信号恒为零天然具备抑制高斯噪声的能力。具体来说对零均值随机向量四阶累积量张量可以写成[ \mathcal{Q}_{ijkl} E{x_i x_j x_k x_l} - E{x_i x_j}E{x_k x_l} - E{x_i x_k}E{x_j x_l} - E{x_i x_l}E{x_j x_k} ]这个张量直接刻画了信号的非高斯性。JADE把四阶累积量按不同矩阵切片堆叠成一组累积量矩阵再找一组特征矩阵让它们同时近似对角化。对角化后得到的特征向量就对应混合矩阵的列方向源信号也就跟着解出来了。常见做法是先把观测数据白化让协方差矩阵变成单位阵这样后续只需要估计一个正交矩阵复杂度降一大截。白化没做好后面联合对角化再准也白搭这是很多新手第一个踩坑点。2.2 联合近似对角化的实现逻辑联合对角化是JADE的计算核心。给定一组累积量矩阵 ({\mathbf{C}_k})目标是找一个正交矩阵 (\mathbf{V})使得 (\mathbf{V}^T \mathbf{C}_k \mathbf{V}) 对尽可能多的 (k) 都接近对角阵。实际程序里通常用Givens旋转迭代或者直接对堆叠矩阵做特征分解。MATLAB程序里一般会封装一个joint_diag函数输入是三维数组或矩阵集合输出是估计的酉矩阵和一组对角化后的矩阵。这个函数的收敛判据通常是旋转角小于某个阈值比如 (10^{-8})或者达到最大迭代次数。阈值设太松分离结果会有残留串扰设太紧小规模数据上可能多跑几轮但收益不大。注意联合对角化的迭代次数和旋转阈值是JADE里最值得调的两个参数后面避坑章节会展开。2.3 白化步骤的代码实现与参数说明白化是JADE的前置步骤目的是把混合数据的协方差矩阵变成单位阵。下面这段代码是常见的白化实现输入观测矩阵X每行一个通道每列一个采样点。function [Z, V] whiten_data(X) % X: 输入观测矩阵行数 通道数列数 采样点数 % Z: 白化后的数据行数 通道数列数 采样点数 % V: 白化矩阵满足 Z V * X [n, T] size(X); % 去均值避免直流分量干扰累积量计算 X X - mean(X, 2); % 计算协方差矩阵 Rxx (X * X) / T; % 特征分解Rxx 是对称半正定矩阵 [E, D] eig(Rxx); % 按特征值从大到小排序 [d, idx] sort(diag(D), descend); E E(:, idx); % 构造白化矩阵eps 防止除零 D_inv_sqrt diag(1 ./ sqrt(d eps)); V D_inv_sqrt * E; % 得到白化数据 Z V * X; end这段代码里mean(X, 2)按行去均值保证每个通道零均值。eig返回的特征值可能包含接近零的小值加eps是防止开方时除零。排序后取全部特征向量是因为JADE通常假设通道数等于源数如果通道数大于源数这里需要截断到源数维度否则白化矩阵会包含噪声子空间后面累积量矩阵会被噪声主导。参数上T是采样点数一般建议至少几千点太少的话四阶累积量估计方差大分离结果不稳定。通道数n不宜超过8再大计算量会明显上升而且联合对角化的数值稳定性也会变差。3. 把JADE跑起来MATLAB程序结构与调用流程3.1 程序文件组成与依赖关系这份MATLAB程序通常包含以下几个部分主脚本demo_jade.m负责生成仿真信号、调用分离函数、画图对比核心函数jade.m实现白化、累积量矩阵构造、联合对角化、源信号恢复辅助函数joint_diag.m做联合近似对角化可能还有一个cumulant_matrix.m专门算四阶累积量矩阵。文件之间是调用关系主脚本不直接算累积量而是把白化后的数据传给jade.m。如果你拿到的包里有多个版本优先看主脚本里调用的函数名确认依赖路径都加到了MATLAB的搜索路径里。常见翻车是直接运行jade.m但缺少joint_diag.m报未定义函数。3.2 仿真数据生成与混合矩阵构造为了验证算法通常先造几路独立源信号比如正弦、方波、调幅信号再乘一个随机混合矩阵得到观测数据。下面这段代码生成三路源信号并混合% 生成仿真源信号 T 5000; % 采样点数 t (1:T) / 1000; % 时间轴采样率 1000 Hz S zeros(3, T); S(1, :) sin(2 * pi * 5 * t); % 5 Hz 正弦 S(2, :) square(2 * pi * 12 * t); % 12 Hz 方波 S(3, :) sawtooth(2 * pi * 20 * t, 0.5); % 20 Hz 锯齿波 % 随机混合矩阵固定种子保证可复现 rng(42); A randn(3, 3); X A * S; % 调用 JADE 分离 [S_est, A_est] jade(X, 3);这里rng(42)固定随机种子方便你复现结果。A是混合矩阵X是观测。jade函数第二个参数是源数如果事先不知道源数可以用特征值拐点法估计但仿真里直接给真值。S_est是估计的源信号A_est是估计的混合矩阵。注意估计出的源信号顺序和幅度可能与原始源不一致这是盲源分离的固有模糊性不是程序bug。3.3 分离结果评价相似系数与性能指标跑完分离后不能只看波形“像不像”得算指标。常用的是相似系数矩阵把估计源和真实源做归一化互相关理想情况下每行每列只有一个接近1其余接近0。% 计算相似系数矩阵 N size(S, 1); P zeros(N, N); for i 1:N for j 1:N P(i, j) abs(corr(S(i, :), S_est(j, :))); end end disp(相似系数矩阵); disp(P); % 计算平均串扰比 [max_val, ~] max(P, [], 2); mean_sir mean(max_val); fprintf(平均相似系数%.4f\n, mean_sir);corr算皮尔逊相关系数取绝对值是因为盲分离的幅度和相位模糊。max(P, [], 2)取每行最大值代表每个真实源被最好恢复的程度。平均相似系数超过0.95通常认为分离成功低于0.8就得检查白化、累积量估计或联合对角化参数。如果相似系数矩阵出现两行最大值在同一列说明源数估计错了或者混合矩阵接近奇异。提示仿真验证通过后换真实数据时先把通道数降到和源数一致再逐步增加别一上来就上高维。4. 避坑与排查JADE跑不出结果时先查这五处4.1 现象分离波形全是噪声相似系数接近0原因通常是白化步骤把信号子空间和噪声子空间混在一起了。如果通道数大于源数白化时取了全部特征向量噪声子空间的特征值很小白化矩阵会把噪声放大。解决方法是白化前先估计源数只取前n个最大特征值对应的特征向量。源数估计可以用相邻特征值比值比值突变点就是源数。4.2 现象联合对角化迭代不收敛程序卡住原因可能是累积量矩阵构造时用了未去均值的观测数据或者数据长度太短导致四阶累积量估计噪声大。解决方法是确保白化前已经去均值采样点数至少3000点联合对角化的最大迭代次数设到200以上旋转阈值放到 (10^{-6}) 先看能不能收敛再逐步收紧。4.3 现象分离出的源信号顺序和原始源对不上这是盲源分离的固有排列模糊性不是程序错误。JADE恢复的源顺序由联合对角化后对角元素的大小决定和原始源顺序无关。评价时用相似系数矩阵做匹配不要按索引直接对比。如果你需要固定顺序可以在分离后按某个特征排序比如按峰度或能量。4.4 现象两个源分离结果几乎一样串扰严重原因可能是两个源信号本身相关性太强或者混合矩阵接近奇异。JADE假设源之间统计独立如果源信号有强相关四阶累积量矩阵的对角化条件不满足。解决方法是检查源信号相关性必要时先做预白化或换用其他算法。混合矩阵条件数可以用cond(A)检查超过100就说明混合太病态仿真里换一个随机矩阵。4.5 现象程序在joint_diag里报矩阵维度不匹配原因通常是累积量矩阵堆叠时维度搞错了。四阶累积量矩阵对n个通道会产生n^2个矩阵每个矩阵大小n x n。如果堆叠成三维数组第三维应该是n^2。检查cumulant_matrix.m里的循环范围确保每个切片都是n x n。另外MATLAB版本差异可能导致eig返回顺序不同排序步骤不能省。5. 进阶用法把JADE嵌进自己的信号处理链路5.1 从仿真到真实采集数据的迁移要点仿真跑通后换真实数据最容易翻车的地方是采样率和通道一致性。真实采集里各通道可能有不同增益和延迟JADE假设瞬时混合如果通道间有延迟四阶累积量矩阵会被破坏。常见做法是先做通道对齐用互相关估计延迟并补偿再做JADE。另外真实数据往往有工频干扰白化前加一个带阻滤波比如50Hz或60Hz能明显改善分离效果。5.2 源数未知时的估计策略实际场景里源数往往不知道。我一般先用特征值分解看协方差矩阵的特征值分布画出来找拐点。拐点前的特征值明显大于后面的拐点位置就是源数。如果拐点不明显可以试几个候选源数分别跑JADE看相似系数或重构误差选指标最好的。注意源数估多了JADE会多出噪声源估少了强源会混在一起。5.3 计算加速与内存控制JADE的计算瓶颈在四阶累积量矩阵构造和联合对角化。通道数n增大时累积量矩阵数量按n^2增长每个矩阵n x n内存占用是O(n^4)。n10时还能接受n20就明显吃力。加速方法一是用MATLAB的parfor并行算累积量矩阵二是把联合对角化换成快速近似算法比如用FFT-based对角化。如果只是做验证建议先把通道数控制在8以内。5.4 一个可复用的封装函数框架下面这个封装把白化、累积量、对角化、恢复串起来输入观测和源数输出估计源和混合矩阵方便嵌到自己的链路里。function [S_est, A_est, W] jade_core(X, n_src) % X: 观测矩阵行通道列采样点 % n_src: 源数 % S_est: 估计源信号 % A_est: 估计混合矩阵 % W: 分离矩阵满足 S_est W * X [n_obs, T] size(X); if n_src n_obs error(源数不能大于观测通道数); end % 去均值 X X - mean(X, 2); % 白化只取前 n_src 个主成分 Rxx (X * X) / T; [E, D] eig(Rxx); [d, idx] sort(diag(D), descend); E E(:, idx(1:n_src)); d d(1:n_src); V diag(1 ./ sqrt(d eps)) * E; Z V * X; % 构造四阶累积量矩阵并联合对角化 % 这里调用外部 joint_diag返回酉矩阵 U C compute_cumulant_matrices(Z); U joint_diag(C, 1e-6, 200); % 恢复源信号 S_est U * Z; W U * V; A_est pinv(W); end这个框架里compute_cumulant_matrices和joint_diag需要你根据手头程序补上。n_src控制白化时保留的主成分数这是避免噪声放大的关键。joint_diag的第二个参数是旋转阈值第三个是最大迭代次数。返回的W是分离矩阵A_est用伪逆反推方便你做混合矩阵对比。从那以后我每次跑JADE都先把源数估计和白化主成分数对齐再检查联合对角化的收敛曲线最后才看波形。这个顺序能省掉大量来回调参的时间。希望帮到你。本文还有配套的精品资源点击获取