matlab写一个独立成分分析降噪方法的例子

以下是一个基于 FastICA 算法的独立成分分析降噪方法的 Matlab 代码示例：

% 生成一个含有噪声的混合信号矩阵
s1 = sin(2 * pi * 0.1 * (1:1000)); % 信号1
s2 = sawtooth(2 * pi * 0.2 * (1:1000)); % 信号2
s3 = square(2 * pi * 0.3 * (1:1000)); % 信号3
s = [s1; s2; s3]; % 原始信号矩阵
A = randn(3, 3); % 混合矩阵
x = A * s + 0.5 * randn(3, 1000); % 含有噪声的混合信号矩阵

% 进行独立成分分析
[icasig, A, W] = fastica(x, 'approach', 'symm', 'numOfIC', 3);

% 绘制原始信号和混合信号的图像
figure;
subplot(3, 1, 1);
plot(s1);
title('Original Signal 1');
subplot(3, 1, 2);
plot(s2);
title('Original Signal 2');
subplot(3, 1, 3);
plot(s3);
title('Original Signal 3');

figure;
subplot(3, 1, 1);
plot(x(1, :));
title('Mixed Signal 1');
subplot(3, 1, 2);
plot(x(2, :));
title('Mixed Signal 2');
subplot(3, 1, 3);
plot(x(3, :));
title('Mixed Signal 3');

% 绘制分离信号的图像
figure;
subplot(3, 1, 1);
plot(icasig(1, :));
title('ICA Signal 1');
subplot(3, 1, 2);
plot(icasig(2, :));
title('ICA Signal 2');
subplot(3, 1, 3);
plot(icasig(3, :));
title('ICA Signal 3');

% 计算信噪比
snr1 = snr(s1, x(1, :) - icasig(1, :));
snr2 = snr(s2, x(2, :) - icasig(2, :));
snr3 = snr(s3, x(3, :) - icasig(3, :));
fprintf('SNR of Signal 1: %.2f dB\n', snr1);
fprintf('SNR of Signal 2: %.2f dB\n', snr2);
fprintf('SNR of Signal 3: %.2f dB\n', snr3);

在这个示例中，我们首先生成了三个原始信号，然后利用一个随机的混合矩阵将它们混合在一起，并加入一些高斯噪声。然后，我们使用 FastICA 算法对混合信号进行独立成分分析，并得到分离出来的三个信号。最后，我们计算了分离信号的信噪比，以评估降噪效果。