两个麦克风听到同一个车间不等于能分离任意数量的声源。经典瞬时 ICA 把观测写成XA S要求源具有合适的独立性、混合矩阵可辨识且有足够观测。混响车间更接近多个带延迟的卷积混合不能把一帧采样点直接塞进瞬时模型就宣称去除了回声。scikit-learn FastICA 文档把白化、非线性函数、收敛次数等都作为显式参数。这些参数会影响求解一个只有W*x的函数只是在应用已有矩阵不是完成 FastICA 训练。同一份观测为什么会无解先看一个已知矩阵的教学例子A[[1,0.5],[0.2,1]]。它的行列式为 0.9可逆。若两只麦克风收到完全相同的混合A 的两行相等行列式为零再大的定点位宽也补不回丢失的独立观测。import math def inverse2(a): if len(a) ! 2 or any(len(row) ! 2 for row in a): raise ValueError(2x2 required) det a[0][0]*a[1][1] - a[0][1]*a[1][0] if abs(det) 1e-10: raise ValueError(rank deficient) return [[a[1][1]/det, -a[0][1]/det], [-a[1][0]/det, a[0][0]/det]] def mv(a, x): return [sum(v*w for v,w in zip(row,x)) for row in a] a [[1.0, 0.5], [0.2, 1.0]] w inverse2(a) error 0.0 for i in range(200): source [math.sin(i*0.19), 1.0 if i % 13 6 else -1.0] recovered mv(w, mv(a, source)) error max(error, max(abs(x-y) for x,y in zip(source,recovered))) assert error 1e-12 try: inverse2([[1.0, 0.5], [1.0, 0.5]]) raise AssertionError(singular matrix accepted) except ValueError: pass print(known-matrix recovery error: %.3g; singular case rejected % error)这里的 W 是从已知 A 求逆得到的不是从盲观测估计得到的 ICA。例子只能说明可逆性不能作为盲源分离的准确率也没有把合成波形冒充现场语音。白化之后仍需估计方向中心化移除均值白化让协方差接近单位阵。二者只处理二阶统计不保证源彼此独立。FastICA 还要通过非高斯性等目标寻找方向并处理多分量之间的正交约束。输出有顺序和符号不确定性不能直接把第一路永远标成人声。在定点实现里先确定白化后的动态范围再选择数据和累加位宽。用 Q15 存原始幅度并不意味着协方差、特征值倒数平方根和权重都适合同一个 Q 格式。接近奇异的协方差会放大误差必须有正则化或拒绝条件。混响和移动声源要另建测试测试至少包括同步误差、通道增益偏差、剪切饱和、声源移动和房间脉冲响应变化。评价时先对齐输出的排列、符号和尺度再报告分离指标若最终任务是命令识别还要测下游误识别不能只听一段“更干净”的音频。本文没有安装音频依赖没有运行 FastICA、采集阵列或验证 Cortex-M 实时性。ICA 的价值在于利用统计结构边界也来自这些结构。先把瞬时可逆例子和真实混响场景分开后续优化才有可靠参照。
