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X=A 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。