企业官网建设流程全解析

简介：这份FastICA语音分离资料面向学习盲源分离、语音信号处理与多说话人分离的初学者和进阶读者，围绕独立成分分析的核心假设、非高斯性度量、预处理、非线性函数选择、固定点迭代及分离矩阵收敛等环节展开，可用于理解算法原理并借助示例音频复现实验。压缩包共28个文件，以26个wav语音样本为主，另含1个m脚本和1个log日志，整体约18.16MB；wav便于试听与分离前后对比，m脚本对应算法实现，log可用于排查运行过程。已有480人学习下载。读者可结合描述中的评价思路，从主观听感、信噪比提升、BSS-EVAL和语音识别率等角度检验分离效果，并延伸到多说话人分离、噪声抑制、语音增强与音乐解混等场景，形成从理论到实验的完整学习路径。

1. 双口麦克风录到两人同时说话：FastICA 语音分离在解什么方程

会议室装了两支麦克风，两个人几乎同时开口，录下来的两路音频里，各自都混进了对方的声音。FastICA 语音分离要处理的就是这样一种情况：既不知道两个人说了什么，也不知道房间的声学传递特性，只凭两路观测信号，把两个原始语音和那个混合过程一起反推出来。它属于盲源分离里最经典的一条技术路线——假设各声源在统计上相互独立、混合是瞬时完成的，再用非高斯性最大化把独立成分逐个分离出来。会议转写前的预处理、双麦设备的方向性前端、嵌入式语音交互的抗干扰模块，都常见到它的身影。但它不是降噪器，也不是去混响器；如果把这三件事混为一谈，后面的问题就会从这里埋下伏笔。

2. 中心化、白化与负熵：FastICA 的两步预处理为什么决定成败

2.1 中心化与白化：为什么协方差矩阵必须先压成单位阵

两支麦克风录到的信号可以写成x(t) = A s(t) + n(t)，其中x是两路观测，s是两个源语音，A是 2×2 的混合矩阵。ICA 的目标是把A的逆矩阵求出来，然后作用到观测上。求逆听上去简单，问题在于A和s都未知，方程的解有无穷多组。ICA 靠的就是一条额外约束：源信号之间统计独立。

即使加上独立性假设，解也不是唯一的，而是只在一个“等价类”里唯一——分离出来的分量顺序可以任意交换，幅度可以任意缩放，甚至整体乘一个负数也不改变独立性。很多人在这一步犯的错，是以为自己拿到的是“第 1 个说话人”“第 2 个说话人”，其实算法给的是“分量 A”“分量 B”，谁是谁要靠后续匹配。排列歧义和尺度歧义这两个问题，根源就在这一步，后面频域处理时还会再出现一次。

中心化是第一道处理：把每路观测减去它自己的均值，让数据零均值。ICA 模型里源信号默认零均值，如果观测带直流偏置，非高斯性度量会被这个偏置污染，迭代可能收敛到一个只反映直流分量的方向上。这一步看起来简单，却常被人漏做，尤其在从 WAV 文件读进来直接转浮点的时候，PCM 的直流偏置往往还在。

白化是第二道，也是最关键的一道。白化就是找一个线性变换V，让变换后的数据协方差矩阵变成单位阵：

cov(x) = E D E^T # 特征值分解，E 是特征向量矩阵，D 是特征值对角阵 V = D^(-1/2) E^T z = V x # 此时 E[z z^T] = I

白化之后有个非常重要的性质：新的混合矩阵A' = V A是正交矩阵（在源数等于通道数、源本身已白化的前提下）。这意味着原本需要估计n²个参数的混合矩阵，现在只需要估计一个旋转角度，参数自由度从 4 降到 1（两通道情形）。FastICA 的收敛速度之所以快，白化占了很大功劳。

白化还顺带完成了降维。实际工程里麦克风数量经常多于声源数量，比如 4 个麦、2 个人说话，这时候协方差矩阵有 4 个特征值，只保留最大的 2 个，剩下的丢弃，既降维也去掉了部分噪声子空间。

2.2 负熵的近似公式：FastICA 凭什么用四阶矩以外的东西

ICA 的核心判据是“非高斯性越强，越接近真实源”。度量非高斯性有几种方式，最直观的是峰度（四阶累积量），但峰度对离群点极其敏感，语音里一个爆破音就能把峰度拉爆，所以 FastICA 用的不是峰度，而是负熵。

负熵的定义是J(y) = H(y_gauss) - H(y)，其中H是微分熵，y_gauss是同样方差的高斯变量。高斯分布在所有同方差分布里熵最大，所以负熵恒非负，且只有在y是高斯分布时才为零。最大化负熵，等价于最大化非高斯性。问题是微分熵需要知道概率密度函数，而概率密度函数正是我们要求的东西，这就出现了循环依赖。

FastICA 的做法是用一个近似式绕开概率密度估计：

J(y) ≈ [E(G(y)) - E(G(v))]^2

其中v是标准高斯变量，G是一个“增长不太快”的偶函数。这个近似成立的条件是G的选择要和源分布的超高斯/次高斯性质匹配。FastICA 里的非线性函数g就是G的一阶导数，常见的有三种：logcosh对应的g(u) = tanh(a u)，exp对应的g(u) = u exp(-u²/2)，cube对应的g(u) = u³。这三种的选择直接决定了算法对什么样的分布敏感，第 4 章会展开。

不动点迭代的推导值得看一眼。在约束E[(w^T x)²] = 1下最大化E[G(w^T x)]，写拉格朗日函数，对w求导置零，得到一阶条件E[x g(w^T x)] - β w = 0。对这个方程用牛顿法求解，并且忽略掉 Hessian 里的高阶项（这一步近似是关键，也是 FastICA 比普通梯度法快一个量级的原因），就得到那个著名的更新式：

w+ = E[x g(w^T x)] - E[g'(w^T x)] w

多分量情形下，对W的每一行都做这个更新，然后整体做一次对称正交化W ← (W W^T)^(-1/2) W，防止多个分量收敛到同一个方向。对称正交化相比逐行正交化（Gram-Schmidt），不会让先算出的分量“欺负”后算的，各分量地位平等，这对分离质量影响不小。

2.3 语音信号的非高斯性：为什么语音既适合 ICA 又最容易翻车

语音的幅度分布是典型的超高斯分布：大量样本集中在零附近（静音段和低能量段），少数样本幅度很大（浊音起始、爆破音）。它的峰度为正，稀疏性强，这正好是 ICA 最喜欢的信号类型——非高斯性越强，独立成分越容易分辨。从这一点看，语音几乎是 ICA 的理想食材。

问题出在“非平稳”三个字上。语音的统计特性在几十毫秒量级上就会变化，一个音节从清音到浊音，分布形状完全不一样。而标准 FastICA 假设整个过程统计量恒定，把几秒钟的语音整段丢进去做时域 ICA，相当于用一个平均的混合矩阵去解释所有时刻，结果往往是所有音素糊成一团。这就是工程上几乎不做时域 ICA、而要做频域 ICA 的根本原因：短时傅里叶变换之后，每个频点内的信号在几十毫秒的帧长里可以近似看作平稳。

第二个麻烦是静音段。两个人说话总有停顿，静音帧的能量极低，协方差矩阵在这些帧上接近奇异。如果整段一起算协方差，静音帧会把特征值谱拉得很扁，白化矩阵的条件数变得极大，数值上就是一个定时炸弹。常见的处理是先做语音活动检测，或者在协方差估计时对每帧能量加权，把静音帧的权重压下去。

第三个麻烦是混响。x = A s假设的是瞬时混合，也就是声源到麦克风只有直达声、没有反射。真实房间里声音要经过墙壁、桌面、天花板的多次反射，传递函数变成一个带延迟的卷积核，模型变成x(t) = Σ A_τ s(t - τ)。瞬时 ICA 处理卷积混合，在混响时间超过 100 ms 的房间里基本失效，这也是一条硬边界。

3. 从 40 行 numpy 到双麦分轨：FastICA 语音分离的最小可跑通流程

3.1 白化函数与不动点迭代：核心代码逐段拆

时域版本不是为了直接用在语音上，而是为了把算法骨架跑通、验证白化和迭代是否正确。40 行左右的 numpy 代码就够，不依赖任何 ICA 库。

import numpy as np def center(X): """按通道去均值，X: (n_ch, n_sample)""" return X - X.mean(axis=1, keepdims=True) def whiten(X, n_comp=None, eps=1e-8): """特征值分解白化，n_comp 指定保留几个主成分""" cov = X @ X.T / X.shape[1] d, E = np.linalg.eigh(cov) idx = np.argsort(d)[::-1] # 特征值从大到小 d, E = d[idx], E[:, idx] if n_comp is not None: d, E = d[:n_comp], E[:, :n_comp] D = np.diag(1.0 / np.sqrt(d + eps)) # 加 eps 防止除零 return D @ E.T @ X def _fp_update(W, X, gfun): """不动点更新一步，W: (n_comp, n_ch)""" WX = W @ X # (n_comp, n_sample) gx, gp = gfun(WX) return (gx @ X.T) / X.shape[1] - gp.mean(axis=1)[:, None] * W def fastica(X, n_comp=None, gfun=None, max_iter=500, tol=1e-4, seed=0): """对称 FastICA，返回分离矩阵 W 与分量 S""" Xc = center(X) Z = whiten(Xc, n_comp) n = Z.shape[0] rng = np.random.default_rng(seed) # 随机正交初始化，比单位阵初始化更不容易卡在退化点 W = np.linalg.qr(rng.standard_normal((n, n)))[0] for it in range(max_iter): W_old = W.copy() W = _fp_update(W, Z, gfun) # 对称正交化：W <- (W W^T)^(-1/2) W s, U = np.linalg.eigh(W @ W.T) W = U @ np.diag(1.0 / np.sqrt(s)) @ U.T @ W # 收敛判据：新 W 与旧 W 对应行内积的绝对值接近 1 lim = np.max(np.abs(np.abs(np.diag(W @ W_old.T)) - 1)) if lim < tol: break return W, W @ Z, it

这段代码的核心只有三块。whiten里用np.linalg.eigh而不是svd，因为协方差矩阵是对称的，eigh保证特征值实数、特征向量正交，数值更稳。_fp_update直接对应 2.2 节的更新式，gx @ X.T / T是E[x g(w^T x)]的样本估计，gp.mean(axis=1)是E[g'(w^T x)]的样本估计。fastica里的对称正交化必须在每轮迭代后做，否则两个分量会往同一个方向跑。

参数说明：n_comp不传时默认等于通道数，当麦克风数大于声源数时应显式传声源数，这样白化阶段就完成了降维。tol取1e-4是经验值，取太小会白烧迭代次数，取太大会提前停在一个没收敛的位置。max_iter给 500 足够，正常情况下 20～50 轮就收敛，跑到 500 轮还没停说明数据有问题。seed固定随机初始化，方便复现——FastICA 对初始化敏感，换一个随机种子结果可能不一样，这是它的固有毛病。

非线性函数gfun单独抽出来，返回(g(x), g'(x))两个值：

def g_logcosh(a=1.0): def f(u): gx = np.tanh(a * u) return gx, a * (1 - gx ** 2) return f def g_exp(): def f(u): e = np.exp(-u ** 2 / 2) return u * e, (1 - u ** 2) * e return f def g_cube(): def f(u): return u ** 3, 3 * u ** 2 return f

logcosh里的a一般取 1，取值越大对超高斯越敏感，但太大容易在迭代初期发散。exp对超高斯更激进，收敛快但稳定性差。cube只适合源分布峰度为正且数值范围受控的情况，语音幅度一旦没归一化就会溢出。

3.2 频域 FastICA：为什么要在每个频点上单独解一次

语音做 ICA 必须转到频域。做法是分帧做短时傅里叶变换，把每个频点当成一个独立的小 ICA 问题：在该频点上，观测是X[k, t]（两路麦克风、t是帧索引），模型是X[k, t] = A_k S[k, t]，混合矩阵A_k逐频点不同，但同一频点内假设不变。

频域信号是复数，标准 FastICA 要扩展到复值。复值情形下的固定点更新式是：

w+ = E[x (w^H x)* g(|w^H x|²)] - E[g(|w^H x|²) + |w^H x|² g'(|w^H x|²)] w

取g(u) = u（对应复值下的峰度型判据），第二项简化为2 E[|w^H x|²] w，实现起来最省事，也是工程里用得最多的形式。

def complex_fastica(X, max_iter=200, tol=1e-5, seed=0): """X: (n_mic, n_frame) 复数矩阵，返回 W 与分离结果""" Xc = X - X.mean(axis=1, keepdims=True) # 复白化：cov = X X^H / T，Hermitian 矩阵用 eigh cov = Xc @ Xc.conj().T / Xc.shape[1] d, E = np.linalg.eigh(cov) D = np.diag(1.0 / np.sqrt(d + 1e-10)) Z = D @ E.conj().T @ Xc n = Z.shape[0] rng = np.random.default_rng(seed) W = np.linalg.qr(rng.standard_normal((n, n)) + 1j * rng.standard_normal((n, n)))[0] for it in range(max_iter): W_old = W.copy() Y = W @ Z p = np.abs(Y) ** 2 # 复值不动点更新，g(u)=u 的情形 W = (Y.conj() * p) @ Z.conj().T / Z.shape[1] \ - 2 * p.mean(axis=1)[:, None] * W s, U = np.linalg.eigh(W @ W.conj().T) W = U @ np.diag(1.0 / np.sqrt(s)) @ U.conj().T @ W lim = np.max(np.abs(np.abs(np.diag(W @ W_old.conj().T)) - 1)) if lim < tol: break return W, W @ Z

这段代码和时域版的差别集中在三处：协方差用X @ X.conj().T，白化矩阵用E.conj().T，正交化用W @ W.conj().T。收敛判据里的W @ W_old.conj().T也不能漏掉共轭，否则判据会算出一个复数，np.abs之后意义就变了。

频点循环要跳过能量极低的频点。语音能量集中在 100 Hz～4 kHz，16 kHz 采样下对应的频点索引大概在 6～256 之间（nperseg=1024时每个频点 15.6 Hz）。低于 100 Hz 的频点基本是工频干扰和空调噪声，高于 7 kHz 的频点能量低、信噪比差，逐点做 ICA 出来的结果纯属噪声，直接置零或者复制参考通道更省事。这一步能省掉近一半计算量。

帧数也有限制。一个频点上的“样本”就是帧数，2 秒音频、16 ms 帧移，也就 125 帧。用 125 个复样本估计 2×2 的协方差矩阵，勉强够用；如果只有几十帧，估计出来的白化矩阵会非常不稳，分离结果随机性极大。这是频域 ICA 对短音频不友好的原因，也是很多人拿 1 秒素材试出来效果很差的原因。

3.3 频点对齐与 ISTFT 重组：把 513 个小结果拼成两段音频

每个频点独立做完 ICA 之后，直接逆变换会得到一堆废音，因为每个频点的分量顺序和尺度都是任意的。假设第 10 个频点把说话人 A 分到了第 1 行，第 11 个频点可能分到了第 2 行，这样拼起来的频谱在频点交界处会突然交换，听感上就是每隔十几赫兹跳一下的“电子音”。

尺度问题同样要处理。ICA 的分离结果Y = W X里，Y的幅度是任意的，可能第 1 个频点幅度是 0.1，第 2 个频点是 100。常见的解决方式是投影回参考麦克风：算出A_k = pinv(W_k)，然后Y_i[k] ← Y_i[k] * A_k[ref_mic, i]。这一步的物理含义是：把分离出的第 i 个源，按它在参考麦克风上的实际贡献重新定标，这样各频点的尺度就一致了，同时也顺带解决了正负号问题。

排列对齐的常用做法是基于相邻频点的包络相关性。同一个说话人在相邻频点上的幅度包络变化趋势是相似的，而不同说话人之间相关性低，所以逐频点做一次匹配就能把顺序串起来。

import numpy as np from scipy.optimize import linear_sum_assignment def align_permutation(Y): """Y: (n_src, n_freq, n_frame)，逐频点对齐到前一频点的顺序""" n_src, n_freq, _ = Y.shape env = np.abs(Y) for k in range(1, n_freq): C = np.zeros((n_src, n_src)) for i in range(n_src): for j in range(n_src): a, b = env[i, k - 1], env[j, k] if a.std() < 1e-8 or b.std() < 1e-8: C[i, j] = 0.0 continue C[i, j] = np.corrcoef(a, b)[0, 1] # 匈牙利算法求最大权匹配，取负号转成最小化 row, col = linear_sum_assignment(-C) Y[:, k, :] = Y[col, k, :] return Y

linear_sum_assignment返回的col[i]是匹配到第i行的当前频点分量索引，Y[col, k, :]就是按这个索引重排。相关性计算前要判断标准差，静音频点的包络几乎是常数，相关系数会算出 NaN，这一步不做判断，整个频谱都会被 NaN 污染。

对齐完成之后就可以逐源做逆短时傅里叶变换，得到两段时域音频。整个流程串起来大概是：读入双通道 WAV → 逐通道 STFT → 逐频点复值 FastICA → 尺度归一 → 排列对齐 → 逐源 ISTFT。

提示：对齐只能保证相邻频点顺序一致，如果某个频点分离本身失败（两路解到同一个源），错误会沿着频点一路传播下去。实践中会在对齐后加一道检查：如果某个频点的匹配相关系数普遍低于 0.3，就把这个频点的结果丢弃，用相邻频点插值补上。

4. 参数与硬件怎么配：g 函数选型、收敛阈值与麦克风间距

4.1 g 函数三选一：logcosh、exp、cube 分别在什么信号上更稳

三种非线性函数对应三种不同的分布假设，选错了不是精度差一点，而是直接不收敛。

语音是超高斯分布，理论上exp最匹配，它的负熵近似对稀疏信号更敏感。但实际跑下来，exp在帧级数据上经常震荡，原因是某一帧突然出现一个大幅值样本，u exp(-u²/2)在u很大时反而趋近于零，梯度信号消失，迭代就停在原地。logcosh的tanh在u大时饱和到 ±1，梯度不会消失，鲁棒性明显好一截，所以大多数实现默认用logcosh。

cube的问题更直接。它对大幅值样本的惩罚是三次方增长，如果输入没有做幅度归一化，第一次迭代就可能算出1e10量级的数，然后整个矩阵变成 NaN。用cube的前提是每个频点的观测先除以其 RMS，并且加一道np.clip兜底。即便如此，遇到爆破音还是容易炸。

logcosh里的a参数一般不动，保持 1.0。把它调到 2.0 会让tanh更陡，对超高斯更敏感，但收敛区间变窄。我的习惯是先按 1.0 跑通，确认分离有效之后再试 2.0，看 SDR 有没有提升，没有就退回去。

4.2 tol 与 max_iter：收敛参数的取值和该看哪个量来判断

tol控制的是收敛判据max | |diag(W W_old^T)| - 1 |，物理含义是新旧分离矩阵对应行的内积绝对值有多接近 1。取1e-4时，分离矩阵基本稳定；取1e-6能多榨出一点精度，但迭代次数可能翻倍，而 SDR 提升往往不到 0.1 dB，性价比很低。

max_iter给 200 对频域 ICA 足够。真正需要关注的不是迭代上限，而是有多少频点跑满了上限还没收敛。正常情况下 90% 以上的频点应该在 30 轮内收敛。如果跑满上限的频点超过三成，说明数据有问题：要么帧数太少，要么白化矩阵条件数太大，要么g函数选错。加一行统计把未收敛频点数量打出来，比调max_iter有用得多。

n_not_converged = 0 for k in range(k_lo, k_hi + 1): Wk, Yk = complex_fastica(Z[:, k, :], max_iter=200, tol=1e-5) if not converged_flag: # complex_fastica 内部返回是否收敛 n_not_converged += 1 print(f"未收敛频点: {n_not_converged}/{k_hi - k_lo + 1}")

样本数这个参数没法直接调，它由音频时长决定。经验值是每个频点至少 200 帧，低于这个数就把帧移调小（比如从 256 降到 128），用重叠换样本量。代价是帧间相关性变强，独立性假设被削弱，属于两害相权取其轻。

4.3 麦克风间距与采样率：物理条件不满足时算法再好也白搭

FastICA 能不能分开两个人，很大程度上在录音那一刻就决定了。

麦克风间距是最关键的物理参数。间距太小，两路观测几乎是同一路信号，混合矩阵接近奇异，白化之后两个特征值一大一小，小的那个被eps吃掉，实际上只剩一个有效通道，分离必然失败。间距太大，超过语音最高频率的半波长，会出现空间混叠，两个源的相对延迟在频域上绕圈，符号翻转，对齐算法也救不回来。

宽带语音（300 Hz～7 kHz）的常用折中是 4～8 cm。这个间距下，7 kHz 对应的半波长约 2.4 cm，不会混叠；同时两路信号又有足够的差异，混合矩阵条件数健康。间距超过 15 cm，高频段的相位差会超过 π，频域 ICA 在那些频点上会解出反相的分量，听起来就是高频段左右互换。

采样率建议 16 kHz。8 kHz 会丢掉 4 kHz 以上的信息，语音的可懂度受影响，但对 ICA 本身没坏处；32 kHz 及以上会让频点数翻倍，计算量成倍增长，而语音能量在 8 kHz 以上已经很少，多出来的频点基本在做无用功。

帧长的选择还要看房间。混响时间 200 ms 的会议室，64 ms 的帧长勉强能撑住瞬时混合假设；混响 500 ms 的大厅，帧长压到 32 ms 也救不回来，因为反射声的延迟跨度远超一帧。这不是参数问题，是模型边界问题。

5. FastICA 语音分离的 5 个常见坑与排查顺序

5.1 输出全是噪声、或者一路静音：先查白化和通道数

现象：跑完整个流程，两路输出里一路是持续的沙沙声，另一路几乎静音，或者两路都是噪声，完全听不出人声。

原因通常出在白化阶段。如果协方差矩阵的特征值差异极大（比如两路麦克风增益差 20 dB），最小特征值接近零，1/sqrt(d)会算出巨大的数，白化后的数据被放大到1e6量级，后续迭代直接溢出，分离矩阵变成随机噪声。另一种情况是n_comp传错，本来是 2 个源，传了 1，白化只保留一个主成分，输出自然只有一路有效。

解决：打印白化前后的协方差特征值，看条件数。条件数超过1e4就先做通道增益归一化（每通道除 RMS），再白化。检查n_comp是否等于声源数而不是麦克风数。另外确认读入的音频确实是多通道，有些 WAV 读进来是(n_sample, n_ch)而不是(n_ch, n_sample)，转置漏了会导致白化在时间轴上做，结果全是垃圾。

5.2 两路分离结果几乎一样：初始化与对称正交化的问题

现象：两路输出听起来是同一段音频，波形高度相似，相关系数超过 0.9。

原因有两个。一是初始化用了单位阵W = I，两个分量从相同方向出发，在对称性强的数据上会收敛到同一个解。二是对称正交化漏做或者写错，比如把W @ W.T写成了W.T @ W，正交化的对象错了，两个分量无法保持分离。

解决：初始化用随机正交矩阵，也就是np.linalg.qr(randn(n, n))，并且在文档里记下随机种子，方便复现。对称正交化的公式核对一遍：(W W^T)^(-1/2) W，其中W是(n_comp, n_ch)，W W^T是n_comp × n_comp，eigh出来的特征向量矩阵U作用在左边。如果两路相关系数还是高，检查是不是n_comp设成了 1 之后又强行拆成两路。

5.3 频谱图上出现“音乐噪声”：排列歧义与帧长的连锁反应

现象：分离结果的频谱图上有大量细碎的横条纹，听感上像有人在快速切换声道，或者像金属刮擦的“音乐噪声”。

原因几乎都是排列没对齐。每个频点独立做 ICA，顺序随机，如果投影回参考麦的尺度归一做对了、但对齐漏做，相邻频点的分量会随机交换，重组成时域信号后就是频点级别的跳变。另一种情况是对齐做了，但某个频点的分离结果本身是错的（两路解到同一源），匹配相关系数很低，匈牙利算法强行配了一个错误的结果，错误顺着频点传播。

解决：先确认对齐函数真的被执行了，打印几个频点的匹配相关系数，正常应该在 0.6 以上。如果某段频点的相关系数普遍低于 0.3，把这个频点标记为失败，用左右邻频点的结果插值替代。帧长也要复查，64 ms 帧在混响较强的房间里会让相邻频点的相关性下降，对齐难度上升，可以试 32 ms 帧长，代价是频率分辨率降低。

5.4 混响房间里彻底失效：卷积混合超出瞬时模型边界

现象：在消声室或者近场录音里效果不错，换到普通会议室，分离度明显下降，两个人声还是混在一起，只是比例变了。

原因不是参数没调好，是模型假设不成立。x = A s是瞬时混合，真实房间是卷积混合，声音经过多次反射到达麦克风，每个频点的传递函数不仅有幅度差还有相位差，而且相位随频率快速旋转。瞬时 ICA 在每个频点上估计的是一个复数标量，理论上能吸收单一路径的延迟，但多路径叠加之后，同一个源在不同频点上的“混合方式”不再一致，逐频点独立求解就失去了统一性。

解决：接受边界比硬调参数更实际。混响时间 100 ms 以内的小房间，频域 ICA 加对齐还能用；200 ms 以上，需要换成能处理卷积的模型，或者先做去混响预处理（谱减、加权预测误差之类），把尾巴压短再送进 ICA。把麦克风挪近声源（近场录音）是最便宜有效的办法，直达声占比一高，瞬时假设就成立得多。

5.5 NaN 与数值溢出：中心化漏做、尺度失衡的典型症状

现象：迭代跑了几轮之后W里出现nan或inf，分离结果全是零或者全是nan，程序不报错但输出无效。

原因有三个层次。最表层是cube函数配了没归一化的数据，三次方直接把数值推到浮点上限。中间层是中心化漏做，数据带直流偏置，tanh饱和之后梯度全为零，正交化时W W^T接近奇异，1/sqrt(s)算出inf。最深层是白化时eps加得太小，特征值里有一个接近1e-12，开方倒数之后放大到1e6，后续所有运算都在悬崖边上。

解决：按顺序排查。第一，确认center在whiten之前被调用。第二，eps从1e-8提到1e-6，牺牲一点白化精度换数值稳定，实际听感几乎没差别。第三，如果必须用cube，在_fp_update里对gx加np.clip(gx, -1e3, 1e3)。第四，在迭代循环里加一个断言，np.isfinite(W).all()为假就立刻退出并打印当前迭代轮次，别让它静默跑完 500 轮。

6. 别只靠耳朵验收：SDR 打分、排列对齐修复与改造边界

6.1 SDR 的计算方式与及格线判断

靠耳朵听只能判断“有没有分开”，判断不了“分开了多少”。SDR（信号失真比）是最常用的客观指标，计算方式是把估计信号投影到参考信号上，投影系数之外的成分都算误差：

import numpy as np def sdr(est, ref): """单源 SDR，est/ref: (T,)""" alpha = np.dot(est, ref) / (np.dot(ref, ref) + 1e-12) target = alpha * ref err = est - target if np.dot(err, err) < 1e-12: return 120.0 return 10 * np.log10(np.dot(target, target) / np.dot(err, err))

两源场景不能只算单源 SDR，因为估计里混着另一个源的能量，要把干扰项单独拆出来，分别算 SIR（信号干扰比）和 SAR（信号伪影比）。完整的分解需要把估计投影到“目标源 + 干扰源”张成的子空间上，实现起来比上面这段长不少，工程里常用现成的盲源分离评估实现，输入参考信号和估计信号，直接输出三项指标。

及格线怎么定：双麦、近场、混响 100 ms 以内，SDR 提升 5～8 dB 算可用；提升 3 dB 以下基本没实用价值，因为原始混合信号本身就有 0 dB 左右的基线。消声室条件下做到 10 dB 以上是可能的，但别拿这个数去对标真实房间。

6.2 排列对齐的一个实用做法：包络相关性 + 匈牙利匹配

3.3 节的逐频点对齐有个弱点：错误会沿着频点单向传播。更稳的做法是用全频段的平均包络做一次初对齐，再逐频点修正。

def align_two_stage(Y, n_src=2): """Y: (n_src, n_freq, n_frame)""" env = np.abs(Y) # 第一阶段：用全频段平均包络作为参考模板 ref_env = env.mean(axis=1) # (n_src, n_frame) for k in range(env.shape[1]): C = np.zeros <p> <a href="https://download.csdn.net/download/hdg34jk/6530605" 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>