以下是使用`scikit-learn`库中`FastICA`算法进行盲源分离的Python代码示例： ```python import numpy as np import matplotlib.pyplot as plt from sklearn.decomposition import FastICA # 生成模拟源信号 np.random.seed(0) n_samples = 2000 time = np.linspace(0, 8, n_samples) s1 = np.sin(2 * time) # 信号 1：正弦波 s2 = np.sign(np.sin(3 * time)) # 信号 2：方波 s3 = np.random.randn(n_samples) # 信号 3：高斯噪声 S = np.c_[s1, s2, s3] # 源信号矩阵 # 定义混合矩阵 A = np.array([[1, 1, 1], [0.5, 2, 1.0], [1.5, 1.0, 2.0]]) X = np.dot(S, A.T) # 混合信号 # 使用 FastICA 进行盲源分离 ica = FastICA(n_components=3) S_ = ica.fit_transform(X) # 分离后的信号 A_ = ica.mixing_ # 估计的混合矩阵 # 绘制源信号 plt.figure(figsize=(12, 8)) plt.subplot(3, 1, 1) plt.title("源信号") plt.plot(time, s1, color='r') plt.subplot(3, 1, 2) plt.plot(time, s2, color='g') plt.subplot(3, 1, 3) plt.plot(time, s3, color='b') # 绘制混合信号 plt.figure(figsize=(12, 8)) plt.subplot(3, 1, 1) plt.title("混合信号") plt.plot(time, X[:, 0], color='r') plt.subplot(3, 1, 2) plt.plot(time, X[:, 1], color='g') plt.subplot(3, 1, 3) plt.plot(time, X[:, 2], color='b') # 绘制分离后的信号 plt.figure(figsize=(12, 8)) plt.subplot(3, 1, 1) plt.title("分离后的信号") plt.plot(time, S_[:, 0], color='r') plt.subplot(3, 1, 2) plt.plot(time, S_[:, 1], color='g') plt.subplot(3, 1, 3) plt.plot(time, S_[:, 2], color='b') plt.show() ``` 这段代码首先生成了三个模拟的源信号，然后通过一个混合矩阵将这些源信号混合成观测信号。接着使用`FastICA`算法对混合信号进行盲源分离，最后绘制出源信号、混合信号和分离后的信号。