盲源分离算法的研究Ica (参考：学习笔记|独立分量分析(Ica，FastIca )与应用)1.概要独立分量分析)独立组件分析，Ica )的原理与简单应用。 ICA也是矩阵分解算法。 相关的是有名的“鸡尾酒会问题”。
2 .形式化表达主要就是找出对应的那个混淆矩阵。
3 .算法步骤1 .将原始数据组装成n行m列的矩阵x
2 .将x的各行平均为零。 即，从各数据中减去对应的各行的平均。
3 .对数据进行白化处理。
白化处理(“零平均化”与“空间解相关”
白化的本质是调整比例。
4 .设定参数学习率的数值。
即，下图：
白化过程：
Fast-Ica fzdbb，就是比ICA的分离要快的一种算法，改进方式也在下面。
EMD算法1 .参考到目前为止写的博客即可： EMD分解分析
善良的覆盖变换(参考：算法I——形象地描述善良的覆盖变换)傅里叶变换在处理瞬态信号方面存在天生的缺陷。 虽然只能获取整个信号中包含一个什么频率的分量，但我们不知道每个分量出现的时间。 因此，时域差异很大的两个信号在频谱程序上可能相同。 然而，稳态信号往往是人为产生的，自然界的大量信号几乎都是瞬态的，因此，例如生物医学信号分析等领域的论文中很少出现简单傅立叶变换这样的朴素方法。
第一步：短时傅立叶算法参考别人的解释。 把整个时域的过程分解成无数个等长的小过程，每个小过程基本平稳，经过傅立叶变换，就知道在什么时候出现了哪个频率。 ”这就是短时间傅立叶变换。
第二步)善良的覆盖被转化为解决频率和时间问题，进而提出了善良的覆盖。 善良的河马直接把傅立叶变换的基底变成了——，把无限长三角函数的基底变成了有限长度衰减的善良的河马基底。 这样不仅可以获取频率，而且可以确定时间了。
善良的河马所做的变化是用有限长度衰减的善良的河马基替换无限长的三角函数基。
主成分分析(参考此稀疏成分分析)该)欠定盲源分离混合矩阵估计及源信号恢复方法研究_lcddhf (参考非负矩阵分解)也有借鉴意义