企业官网建设流程全解析

简介：面向信号处理、机器学习与盲源分离领域的初学者和研究者，资源包提供 JADE（独立成分分析中的联合近似对角化）算法的 Matlab 实现。JADE 利用四阶累积量最大化的思想，可从多通道混合信号中恢复独立源，且支持复数形式数据处理，适用于音频信号分离、脑电图（EEG）信号分解、通信干扰抑制等场景。压缩包内仅含 1 个 m 文件，大小约 4KB，即核心函数 jade.m，结构紧凑、免安装依赖，便于直接运行、阅读测试和二次开发。目前已有 518 人学习浏览。文件中封装了去均值、白化、四阶累积阵构造、特征值分解和联合对角化等关键步骤，无需混合先验信息即可实现盲分离；读者可直接传入混合信号调用函数，也可逐段剖析算法原理，结合 ICA 经典论文深入理解非高斯性度量与高阶统计量在盲分离中的作用，为课程设计、毕业设计或实际工程预研提供便捷起点。

1. 复数 JADE 盲源分离，从一份 jade.zip 开始

看到jade.zip这个压缩包名，不用打开也能猜到大半：里面是 JADE 盲源分离的一套实现，常见形态是主函数加演示数据，甚至可能是 MATLAB 老代码。JADE 全称 Joint Approximate Diagonalization of Eigenmatrices，核心动作是把多个矩阵联合近似对角化，从而把混合信号中的独立源分离出来。它在复数信号上的价值尤其明显，因为复数基带、频谱域处理、阵列接收这几类场景里，源信号天然带相位信息，直接套实值盲分离代码会漏掉相位这一维。下面的步骤从数学模型推到可运行代码，参数怎么调、结果怎么验都会覆盖到。

2. 复数盲源分离的统计依据：四阶累积量矩阵

2.1 为什么二阶统计量不够，JADE 要盯四阶累积量

盲源分离的观测模型写作 X = A S，X 是 M×T 的观测矩阵，A 是 M×N 混合矩阵，S 是 N×T 源信号矩阵。独立成分分析的基本矛盾在于：只用协方差 R = E[x x^H]，最多能做到白化，而白化后的信号仍然保留任意酉变换自由度，这个自由度恰恰是无法从二阶统计量里读出来的独立性信息。独立性最终要落在四阶累积量上，也就是形如Cum(z_i, z_j*, z_k, z_l*)的量。

高斯源的四阶累积量恒为零，所以 JADE 能分离的前提是源里最多只有一个高斯成分。实际通信信号基本都满足这条，QPSK、OFDM、脉冲成形后的复数基带都有明显的非零四阶累积量。复数情形下，四阶量同时刻画幅度与相位的联合分布，分离效果比实值情形更依赖这个统计量的估计质量。选四阶而不是更高阶的原因也很现实：四阶累积量张量有 N^4 个复数元素，源数 N=8 时是 4096 个，N=16 时是 65536 个；六阶累积量规模到 N^6，样本量需求跟着爆炸，工程上很难喂饱。

2.2 复数四阶累积量的定义与移植陷阱

复数源的四阶累积量约定为

C_{ijkl} = Cum(z_i, z_j*, z_k, z_l*)

展开形式是

E[z_i z_j* z_k z_l*] - E[z_i z_j*] E[z_k z_l*] - E[z_i z_k*] E[z_j z_l*] - E[z_i z_l*] E[z_j z_k*]

注意共轭位置必须固定。实值代码往复数移植时最常见的错误，是某个E[z_i z_j]位置没加共轭，导致相位信息被当成实部平均掉，表现是分离矩阵抖动、谱峰扩散，怎么调阈值都没用。

有了四阶张量 C_{ijkl}，JADE 需要的是一个矩阵集合{Q(M_r)}，作用方式定义为

Q(M_r)_{ij} = Σ_{kl} C_{ijkl} M_{r,kl}

每个 M_r 是一个 N×N 的复数矩阵，相当于对四阶张量做一次加权投影。M_r 的选取直接决定联合对角化能不能在有限次扫掠里收敛，这也是后面要重点看的一个参数。补充一个边界：如果源是强非圆信号，比如纯实幅调制，那上述共轭位置的配置会损失部分统计量，需要换非圆扩展版本，普通 JADE 在这里会退化。

2.3 JADE 的三步框架：白化、累积量、联合对角化

JADE 的流程可以压成三步。第一步去均值并白化，得到零均值、协方差为单位阵的 Z = V X，V 是白化矩阵。第二步在 Z 上计算四阶累积量张量，并从中选出一组有代表性的 M_r，构造待对角化矩阵族。第三步用一系列复数 Givens 旋转做联合近似对角化，找到一个酉矩阵 U，使所有的U^H Q(M_r) U尽量对角。

最终分离矩阵为W = U^H V，分离输出为Y = W X。整个算法是批处理的，没有学习率，也没有非线性激活函数，这是 JADE 和 FastICA 在工程习惯上最大的区别。下面用 Python 把这三步完整跑通，并且把累积量、旋转参数都写在代码里，方便照着改。

3. 用 Python 从零实现复数 JADE 的最小可运行版本

3.1 构造复数混合信号的最小实验

先造三路统计特性差异明显的复数源：一路 QPSK 符号，一路带缓慢相位漂移的复指数，一路稀疏脉冲。三路源互不相同且都非高斯，适合做 JADE 的测试对象。

import numpy as np rng = np.random.default_rng(7) n, T = 3, 8000 t = np.arange(T) # 源1：离散 QPSK，幅度恒定、相位四值 s1 = rng.choice(np.array([1+1j, 1-1j, -1+1j, -1-1j]), size=T) # 源2：复正弦加相位调制，相位连续变化 s2 = np.exp(1j * (2 * np.pi * 0.03 * t + 0.2 * np.sin(2 * np.pi * 0.002 * t))) # 源3：60 个随机时刻的稀疏复脉冲 pos = rng.choice(T, size=60, replace=False) s3 = np.zeros(T, dtype=complex) s3[pos] = rng.standard_normal(60) + 1j * rng.standard_normal(60) S = np.vstack([s1, s2, s3]) # 随机复数混合矩阵，列方向归一化能稳定噪声尺度 A = (rng.standard_normal((n, n)) + 1j * rng.standard_normal((n, n))) / np.sqrt(2) X = A @ S + 0.02 * (rng.standard_normal((n, T)) + 1j * rng.standard_normal((n, T)))

这段代码里，源信号的类型选择决定了 JADE 的辨识条件：QPSK 的四阶累积量非零且与另两路完全不同，复正弦的相位结构连续，稀疏脉冲是高峰度信号。混合矩阵用1/sqrt(2)缩放是为了让实部和虚部方差一致，避免某一路在预处理阶段就占据主导。噪声系数 0.02 对应约 34 dB 信噪比，足够让累积量估计稳定。

3.2 白化：复数协方差特征分解与特征值截断

白化在 JADE 里不只是预处理，它还承担降维和噪声抑制的作用。复数白化必须使用共轭转置，并且特征向量矩阵要取共轭转置后与对角阵相乘。

def whiten(x, tol_eig=1e-6): x = x - x.mean(axis=1, keepdims=True) R = x @ x.conj().T / x.shape[1] evals, evecs = np.linalg.eigh(R) keep = evals > tol_eig * evals.max() V = np.diag(1.0 / np.sqrt(evals[keep])) @ evecs[:, keep].conj().T return V @ x, V

np.linalg.eigh对复数厄米矩阵返回升序特征值，evecs[:, keep]只保留特征值大于阈值的列。这里的tol_eig是白化截断阈值，默认按最大特征值的 1e-6 截断。阈值设得太小会放大噪声维度，设得太大则会把能量较弱的源直接丢掉，这个参数在第 4 章会专门讲。返回值里V是白化矩阵，V @ x是白化后的信号 Z，Z 的协方差在保留子空间内近似为单位阵。

3.3 累积量矩阵集合与复数 Jacobi 联合对角化

白化后的数据 Z 已经去掉了二阶相关，接下来要构造四阶累积量张量。这里直接按 2.2 的展开式用einsum计算，避免写多层循环。

def compute_cumulants(z): n, T = z.shape E2 = z @ z.conj().T / T M4 = np.einsum('it,jt,kt,lt->ijkl', z, z.conj(), z, z.conj(), optimize=True) / T C4 = M4 - np.einsum('ij,kl->ijkl', E2, E2) \ - np.einsum('ik,jl->ijkl', E2, E2) \ - np.einsum('il,jk->ijkl', E2, E2) return C4

einsum的四个索引i,j,k,l对应z_i z_j* z_k z_l*的样本均值，这个顺序和 2.2 里的定义一一对应。后两行的三个einsum分别减去三个二阶矩乘积项。白化后 E2 理论上就是单位阵，但保留通用写法能避免小样本下数值误差累积。复杂度上，这个函数最坏是 O(N^4 T)，N 小于等于 10 时可以直接跑，N 再大建议分块估计或换用累积量矩阵递推。

特征矩阵集合的选取沿用 JADE 原版思路：把四阶张量展开成 N^2×N^2 矩阵，取特征值最大的前 num 个特征向量，再还原成 N×N 矩阵，每个矩阵做一次厄米对称化。

def select_eigematrices(C4, num): n = C4.shape[0] Rc = C4.reshape(n * n, n * n) Rc = (Rc + Rc.conj().T) / 2 evals, evecs = np.linalg.eigh(Rc) idx = np.argsort(np.abs(evals))[::-1][:num] Ms = [] for ix in idx: M = evecs[:, ix].reshape(n, n) Ms.append((M + M.conj().T) / 2) return Ms

特征值最大的特征向量对应累积量能量最集中的方向，前 num 个已经能覆盖主要统计结构。如果直接取 num = N，通常能获得串音最小的分离；取 2N 到 3N 会提高冗余度，但联合对角化耗时也会上升。

联合对角化是 JADE 的核心迭代过程。复数 2×2 旋转比实值多一个相位参数，每次处理一对坐标 (p, q) 时，要解一个三维优化问题。标准做法是把旋转参数映射到三维向量，再求一个 3×3 实对称矩阵的最大特征向量：

def joint_diag(Ms, tol=1e-8, max_sweeps=50): n = Ms[0].shape[0] U = np.eye(n, dtype=complex) for _ in range(max_sweeps): change = 0.0 for p in range(n - 1): for q in range(p + 1, n): G = np.zeros((3, 3)) for M in Ms: g = np.array([ M[p, p] - M[q, q], M[p, q] + M[q, p], 1j * (M[q, p] - M[p, q]) ]) G += np.real(np.outer(g, g.conj())) _, vecs = np.linalg.eigh(G) u = vecs[:, -1] theta = 0.5 * np.arctan2(np.hypot(u[1], u[2]), u[0]) phi = np.arctan2(u[2], u[1]) c, s = np.cos(theta), np.sin(theta) J = np.array([ [c, s * np.exp(1j * phi)], [-s * np.exp(-1j * phi), c] ], dtype=complex) for k, M in enumerate(Ms): Ms[k] = J.conj().T @ M @ J U = U @ J change += np.abs(s) if change < tol: break return U

这里的g是复数三维向量，第一维是两对角线元素之差，第二维是两个非对角元素的和，第三维捕获非对角元素的反转差。累加np.real(np.outer(g, g.conj()))得到实对称矩阵，最大特征向量u的球坐标直接映射为旋转角theta和相位补偿角phi。相位参数phi是复数 JADE 区别于实值 Jacobi 的关键，没有它，非对角元素的虚部永远无法被压掉。

主流程把三段串起来：

Z, V = whiten(X, tol_eig=1e-6) C4 = compute_cumulants(Z) Ms = select_eigematrices(C4, num=n) U = joint_diag(Ms, tol=1e-8, max_sweeps=50) W = U.conj().T @ V Y = W @ X

W的作用是直接从观测 X 估计源信号，所以最后一步用W @ X。输出的 Y 每一行对应一个源，但行序和幅度、相位都是不确定的，这是盲源分离的固有歧义，后续要靠导频或调制特性来对齐。

4. 复数 JADE 的参数设置与高频排错

4.1 三个必调参数：特征矩阵数、收敛阈值、白化截断

JADE 用起来顺手，是因为它的参数极少，但每个参数失效时的表现差异很大。先看一张参数表，再逐个展开。

特征矩阵数是影响计算量最直接的开关。取 num = N 时速度最快，但遇到累积量估计噪声偏大的场景，分离质量会明显下降；取 2N 到 3N 相当于给联合对角化提供更多约束。判断方法是看每次 Jacobi 扫掠的change是否收敛到接近零，不收敛时先加特征矩阵数，不要急着放宽阈值。

白化截断 tol_eig 的坑最隐蔽。复数混合矩阵的协方差特征值如果出现明显的台阶，说明有效源数小于观测通道数，此时保留所有特征值会让低能量噪声维度参与累积量计算，四阶张量的信噪比被拉低。正确的做法是先打印evals / evals.max()看谱，选出肘部位置再定阈值。

4.2 用分块重采样检查分离矩阵稳定性

调完参数后，判断 JADE 是否可信的最好方法不是看单次分离波形，而是用两段互不相交的数据分别估计分离矩阵，比较两者的一致性。这是复数场景下最值得做的一步，因为相位歧义会导致单次结果的波形看起来正常，但换了数据段就完全变样。

def estimate_w(X, n_src, block=None, tol_eig=1e-6): if block is None: block = X.shape[1] idx = rng.choice(X.shape[1], size=block, replace=False) Z, V = whiten(X[:, idx], tol_eig=tol_eig) C4 = compute_cumulants(Z) Ms = select_eigematrices(C4, num=n_src) U = joint_diag(Ms, tol=1e-8, max_sweeps=50) return U.conj().T @ V W1 = estimate_w(X, n, block=4000) W2 = estimate_w(X, n, block=4000) G = np.abs(W1 @ np.linalg.pinv(W2))

理想情况下，W1 @ pinv(W2)应该是一个排列矩阵乘以对角相位，取模之后每一行只有一个接近 1 的元素。用两个指标评价：row_hit = (np.argmax(G, axis=1) 互不重复)给出排列是否一致，G.max(axis=1).mean()给出能量集中度。如果第二项低于 0.7，第一反应不是调阈值，而是回看源数和样本量。这个分块重采样检查对参数调优和自动化回归都有价值，建议写进验证脚本而不是只在调试时手动跑。

4.3 高斯源、样本量与累积量塌方

累积量塌方是复数 JADE 最常见的失败模式：快拍数不足时，四阶矩的估计方差远大于二阶统计量，导致 C4 中出现伪结构，联合对角化会把噪声当成信号去对齐。表现是分离矩阵的奇异值分布平坦，输出里每个通道都带背景噪声。经验上 T 至少要大于 50N，通信符号流建议 200N 以上。

如果源里混入了高斯噪声源，JADE 的性能会随高斯成分增多而下降。两个高斯源的线性混合仍然是高斯，四阶累积量无法感知这个自由度，所以这类场景需要换基于二阶或高阶混合统计的方法。还有一种常见误用是把 JADE 直接用在强相关的源上，比如两路来自同一发射机不同时延的多径信号，它们的四阶累积量结构性重合，JADE 只能分离第一路，其余会残留在同一输出通道。

5. 用两组分离矩阵校验相位歧义与排列一致性

最后一层实操是把第 4 章的稳定性检查压成一个可回归的指标，顺便把盲分离的相位歧义转成可量化的验收项。定义一个恢复指数函数：

def recovery_index(W1, W2): G = np.abs(W1 @ np.linalg.pinv(W2)) n = G.shape[0] row_pos = np.argmax(G, axis=1) perm_ok = len(set(row_pos.tolist())) == n energy = np.mean(np.max(G, axis=1)) return perm_ok, energy ok, energy = recovery_index(W1, W2) print(ok, round(energy, 4))

perm_ok为 True 且energy接近 1 时，说明两次估计在排列意义上完全一致，JADE 留下的不确定性只剩对角复增益。这个复增益在复基带系统里通常不是问题，因为接收机后续还有载波同步和信道均衡。如果要把分离结果直接用于解调，可以拿已知导频做一次最小二乘相位校正：

pilot = ref_source[0, :] # 已知导频序列 gain = (pilot @ y_ref.conj()) / (y_ref @ y_ref.conj()) y_corrected = y_ref * gain.conj()

注意这里gain是一个复数标量，同时补偿幅度和相位；计算时用共轭相乘保证复数相位对齐。这个技巧不改变 JADE 本身，但能把分离出的复数信号快速接回后续的信号处理链，适合写进验收文档的最后一个步骤。实际工程里建议把recovery_index和分块重采样一起固化到自动化测试里，源数变化、通道数变化、信噪比变化时，只需调 4.1 的参数表，不需要改算法主体。

本文还有配套的精品资源，点击获取