简介：JADE盲源分离算法的原理讲解与MATLAB程序实现，面向已具备数字信号处理与线性代数基础、希望动手复现高阶累积量类盲分离方法的高年级本科生、研究生及工程技术人员。内容从盲信号分离的基本问题切入：在源信号与混合方式均未知的前提下，仅凭多路传感器观测恢复原始信号，进而说明JADE如何利用信号的四阶累积量（也有采用三阶累积量的做法）刻画非高斯性，并交代这类方法的适用边界——源信号需统计独立、至多允许一个高斯信号，对非白与非平稳特性不作考虑。压缩包约426KB，以zip形式组织，主体为MATLAB程序及配套说明，可在MATLAB环境中直接运行调试、观察分离效果。已有953人学习。读者可据此理解累积量矩阵的构造思路、掌握算法流程与参数设置，并把方法迁移到语音等实际信号的分离实验中。
1. JADE盲源分离算法原理以及MATLAB程序：从混合录音里把三路源信号拆开
JADE盲源分离算法原理以及MATLAB程序，落到工程里就是：多路传感器录到混合信号，没有混合矩阵，也没有干净参考源，仍想把不同源拆开。JADE 走高阶累积量路线，先白化去掉二阶相关，再用四阶累积量切片和联合对角化找旋转。它适合非高斯源、观测数不少于源数、样本量够的离线分析；高斯源占主导时，别指望它变魔术。
这套方法最容易被误解成跑一个函数就完事。真正决定结果的是白化后的维度、累积量切片估计质量，以及联合对角化有没有把非对角元素压下去。做声学、振动、生物电或通信混合信号分析，手里有 MATLAB，想从波形和相关系数矩阵判断结果是否可信，可以照着复现。
我一般把 JADE 当离线分析工具，不是实时黑匣子：先小样本跑通，再看参数边界，最后才上真实数据。
2. JADE的数学骨架：白化把混合矩阵压成旋转，四阶累积量再把它拧回来
2.1 中心化与白化：为什么二阶统计量只能走到正交混合
观测模型先写成x = A*s + n，x是n x T的观测矩阵，s是m x T的源矩阵，A是n x m的混合矩阵。JADE 要求n >= m，并且A列满秩。第一步永远是中心化，把每个观测通道减去自己的均值；这一步不做，后面的四阶累积量会把均值项混进去，切片矩阵看起来“有值”，但联合对角化对不齐。
中心化之后做白化。协方差矩阵Rxx = E[x*x']，做特征分解Rxx = E*D*E'，白化矩阵取W = D^(-1/2)*E'，白化数据z = W*x。如果源之间二阶不相关、噪声可忽略，白化后的混合关系变成z = U*s，U = W*A是正交矩阵。也就是说，白化把“未知矩阵”压成了“未知旋转”。这一步很关键，JADE 后面的搜索空间从任意满秩矩阵缩小到正交矩阵，参数少了很多。
但二阶统计量只能走到这里。任意正交旋转Q作用在z上，协方差仍然是单位阵：E[Q*z*z'*Q'] = Q*Q' = I。所以只看协方差，无法判断应该选哪一个旋转。JADE 的切入点就是四阶累积量：非高斯源在四阶统计量上留下方向信息，而高斯源的四阶累积量理论为零，白化后的旋转对高斯源没有可辨方向。实际程序里，白化阈值不要拍脑袋，先看特征值降序排列，保留明显大于噪声底的那几个维度；保留多了，噪声维度会进累积量切片；保留少了，源被强行压掉，后面怎么调都分离不回来。
2.2 四阶累积量切片：非高斯源的“指纹”怎么变成矩阵
对零均值随机变量，四阶累积量写成：
cum(y1,y2,y3,y4) = E[y1*y2*y3*y4] - E[y1*y2]*E[y3*y4] - E[y1*y3]*E[y2*y4] - E[y1*y4]*E[y2*y3]
白化后的z已经零均值、协方差接近单位阵。固定一个通道索引k，构造切片矩阵C_k(i,j) = cum(z_i,z_j,z_k,z_k)。这个矩阵的尺寸是n x n，n是白化后保留的维度。每个k给一个切片，n个切片组成一组矩阵。它们不是随便选的：如果z = U*s，且源之间四阶累积量互不耦合，那么C_k可以写成U*diag(kappa_l*U(k,l)^2)*U'，kappa_l是第l个源的四阶累积量。不同k的切片都被同一个U对角化，这就是联合对角化的理论依据。
标准 JADE 的全称是 Joint Approximate Diagonalization of Eigenmatrices，直译是“特征矩阵的联合近似对角化”。标准实现会先算四阶累积量张量，再对张量展开矩阵做特征分解，取前m个特征矩阵M_i，构造Q(M_i)，再联合对角化。工程上如果通道数不多，直接用上面的切片矩阵集合C_k更省内存，也更容易在 MATLAB 里写清楚。两者共享同一个核心：找同一个正交矩阵，让一组矩阵同时接近对角。切片版对非高斯源有效，但对高斯源仍然无解，因为kappa_l = 0时切片矩阵接近零矩阵，联合对角化没有方向可找。
这里有一个常见误判：有人看到切片矩阵元素很小，就以为程序写错了。实际上如果源接近高斯，或者样本太短，切片矩阵本身就会小且抖。判断时要看相对结构，不是看绝对值大小；把切片矩阵打印出来，非对角元素如果和噪声一个量级，联合对角化压不下去是正常的。
2.3 联合对角化：JADE 里的 Jacobi 旋转在优化什么
给定一组对称矩阵C_1...C_n，联合对角化要找正交矩阵V，让每个V'*C_k*V的非对角元素平方和尽量小。目标函数可以写成：
J(V) = sum_k off(V'*C_k*V)^2
off()表示取非对角部分。V的列就是估计的源方向，分离信号y = V'*z。因为z是白化数据，V是正交矩阵，所以y的协方差也接近单位阵；源的幅值、排序和相位不可能靠白化恢复，这是盲源分离的固有不确定性，不是程序 bug。
Jacobi 方法把V拆成一串平面旋转。每次只作用在两个通道p、q上，旋转矩阵是[c -s; s c]，c = cos(theta)，s = sin(theta)。对每一对(p,q)，在[-pi/4, pi/4]里扫角度，选让总非对角平方和最小的角度，更新V，再处理下一对。这个做法比直接对V做梯度下降更直观，代码也短。代价是计算量随通道数、矩阵数、角度网格数上升；通道数到 8 以上时，扫描网格要收一收，或者改用闭式角度更新。
联合对角化的收敛判据不要只看迭代次数。每次迭代打印off_now，正常情况下它应该单调下降并逐渐变平；如果上下跳，常见原因是切片矩阵没有对称化、旋转方向写反，或者白化后维度里混进了强噪声通道。tol是绝对阈值，矩阵元素量级不同时要按数据尺度调，不要把所有数据都套同一个1e-8。
3. MATLAB程序从零跑通：三路仿真源、白化、累积量切片和联合对角化
3.1 先造可复现的混合信号与观测矩阵
先给一个三源三观测的仿真脚本。源信号选正弦、方波、稀疏脉冲：正弦的四阶累积量不为零但偏小，方波和脉冲的非高斯性更明显，三路混在一起能看出 JADE 是不是真的在找方向。混合矩阵固定，噪声只加一点点，方便第一次跑通时把问题锁在算法而不是数据上。
%% demo_jade.m clear; clc; close all; fs = 1000; T = 4000; t = (0:T-1)/fs; s1 = sin(2*pi*50*t); s2 = sign(sin(2*pi*7*t)); u = rand(1,T); s3 = (u < 0.05) .* randn(1,T) * 3; s = [s1; s2; s3]; s = s - mean(s,2); A = [1 0.6 0.3; 0.4 1 0.5; 0.2 0.7 1]; x = A*s + 0.01*randn(size(s)); [y,V,W,z,C] = jade_sep(x, 30, 1e-8, 91); R = corrcoef([s' y']); disp('源与分离信号的相关系数矩阵（行：源，列：分离）'); disp(R(1:3,4:6)); figure; for i = 1:3 subplot(3,1,i); plot(t,s(i,:),'b'); hold on; plot(t,y(i,:),'r'); title(['源 ',num2str(i),'（蓝）与分离 ',num2str(i),'（红）']); xlabel('时间/s'); ylabel('幅值'); end这个脚本里fs、T只决定时间轴和样本长度，A是人为设定的混合矩阵，0.01*randn是观测噪声。jade_sep的四个输入分别是观测矩阵、最大迭代次数、联合对角化阈值、角度扫描网格数。输出里y是分离信号，V是联合对角化旋转，W是白化矩阵，z是白化数据，C是累积量切片。第一次跑不要急着看波形顺序，先看相关系数矩阵：每一行源和某一列分离信号的相关绝对值应该明显高于其他列，排序错位是正常的，幅值缩放也是正常的。
3.2 白化与四阶累积量切片的 MATLAB 实现
把下面这段存成jade_sep.m，它包含主函数、白化局部函数和累积量切片局部函数。MATLAB 的函数文件里可以带局部函数，调用时只暴露jade_sep。
function [y, V, W, z, C] = jade_sep(x, max_iter, tol, grid) % JADE 盲源分离的切片版实现 % x: n x T，行是观测通道，列是采样点 if nargin < 2 || isempty(max_iter), max_iter = 30; end if nargin < 3 || isempty(tol), tol = 1e-8; end if nargin < 4 || isempty(grid), grid = 91; end [z, W] = whiten_local(x); n = size(z,1); C = cell(n,1); for k = 1:n C{k} = cum4_slice_local(z, k); C{k} = (C{k} + C{k}') / 2; end [V, ~] = joint_diag_local(C, max_iter, tol, grid); y = V <p> <a href="https://download.csdn.net/download/wzz110011/87607398" style="color:#ec7500;font-size:14px;"> 本文还有配套的精品资源，点击获取 </a> <img alt="menu-r.4af5f7ec.gif" src="https://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif" style="width:16px;margin-left:4px;vertical-align:text-bottom;cursor:text;"> </p>
