Python 使用独立主成分分析 (ICA) 去噪一维时间序列信号

下面是一个使用独立主成分分析 (ICA) 去噪的示例代码：

import numpy as np
from scipy import signal

# 生成带噪声的一维时间序列信号
np.random.seed(0)
n_samples = 2000
time = np.linspace(0, 8, n_samples)
s1 = np.sin(2 * time)   # 原始信号1
s2 = np.sign(np.sin(3 * time))   # 原始信号2
s = np.c_[s1, s2]
s += 0.2 * np.random.normal(size=s.shape)  # 加入噪声

# 使用独立主成分分析 (ICA) 去噪
from sklearn.decomposition import FastICA
ica = FastICA(n_components=2)
S_ = ica.fit_transform(s)  # 使用ICA拟合信号

# 绘制原始信号和ICA去噪后的信号
import matplotlib.pyplot as plt

plt.figure()
plt.subplot(2, 1, 1)
plt.plot(s)
plt.title('Original Signals')
plt.subplot(2, 1, 2)
plt.plot(S_)
plt.title('ICA recovered signals')
plt.tight_layout()
plt.show()

代码中使用 numpy 和 scipy 库生成了一个带噪声的一维时间序列信号。然后使用 FastICA 类进行独立主成分分析 (ICA) 去噪，并将去噪后的信号绘制出来。

请注意，这里的 FastICA 类是 scikit-learn 库中提供的一种 ICA 算法的实现。你也可以使用其他的 ICA 算法或者其他库中的 ICA 实现来进行去噪操作。