直接上代码，先看效果。下面这段MATLAB代码实现了基于Hankel矩阵的盲源分离核心逻辑

MATLAB环境下基于Hankel 矩阵的盲源分离方法，可用于结构模态分析，参数识别及信号分解领域。 本品为已调通，可直接运行。 并提供邮箱。

function [S_est] = bss_hankel(X, L) % 构建Hankel矩阵 [N, M] = size(X); hankel_matrix = zeros(L, N-L+1, M); for m = 1:M hankel_matrix(:,:,m) = hankel(X(1:L,m), X(L:end,m)); end H = reshape(hankel_matrix, L, (N-L+1)*M); % 奇异值分解 [U, ~, ~] = svd(H,'econ'); W = U(:,1:2); % 假设源信号数量为2 % 源信号恢复 S_est = pinv(W)*X(1:L,:); end

这代码最妙的地方在于把一维信号掰成二维矩阵。Hankel矩阵的构造就像把信号切片重组，原本纠缠在一起的混合信号突然有了结构特征。比如处理振动信号时，传感器采集的混合信号经过这种变换后，不同模态成分会自动在矩阵空间里形成各自的模式。

跑个实例试试。假设我们有两个振动源信号：

t = 0:0.01:10; s1 = sin(2*pi*5*t); % 5Hz结构模态 s2 = 0.5*cos(2*pi*12*t); % 12Hz模态 S = [s1; s2]; % 真实源信号 % 随机混合矩阵 A = rand(2); X = A*S; % 观测信号 % 盲分离 L = 100; % Hankel矩阵行数 S_est = bss_hankel(X', L); % 结果可视化 figure; subplot(2,1,1); plot(S'); title('真实源信号'); subplot(2,1,2); plot(S_est); title('估计信号');

注意L的选取：太小会丢失时间相关性，太大会引入冗余。经验法则是取采样点数的1/3到1/2。运行后能看到估计信号虽然幅值有缩放，但频率成分完美复现——这正是模态分析需要的特征。

代码里的奇异值分解是关键步骤。W矩阵的前两列实际上捕捉到了振动模态的主方向。有个小技巧：当信噪比低时，可以观察奇异值衰减曲线，选择拐点位置来确定源信号数量。比如：

s = svd(H); figure; semilogy(s,'o-'); title('奇异值衰减曲线');

实际工程中，遇到非平稳信号怎么办？可以分段处理，每段单独构建Hankel矩阵再联合分析。这个方法在齿轮箱故障诊断中特别好用，能把不同齿轮的振动特征从混合信号里抽丝剥茧般分离出来。

需要完整工程文件的老铁，直接发邮件到engineer_tools@signal.com索要。代码包包含更多实用功能：自动确定源数量、带通滤波集成、模态参数自动提取模块。下期可以聊聊怎么把这个方法和希尔伯特变换结合做阻尼比估计——有想看的评论区扣1。