Eine Klasse von Signalverarbeitungsmethoden, die ursprüngliche Quellensignale aus beobachteten Mischungen ohne Vorwissen über das Mischsystem zurückgewinnen, gewöhnlich durch Ausnutzung statistischer Strukturen (z. B. Unabhängigkeit oder Nicht‑Gaussianität); die Identifizierbarkeit ist im Allgemeinen auf Permutation und Skalierung der rekonstruierten Quellen beschränkt, sofern nicht zusätzliche Nebenbedingungen vorliegen.

Prinzip

Sind die Mischungen linear (instantan oder passend modelliert) und besitzen die Quellen ausnutzbare statistische Eigenschaften (z. B. gegenseitige Unabhängigkeit, Nicht‑Gaussianität), so lässt sich das Mischen bis auf Skalierungs‑ und Permutationsunterschiede durch Finden von Transformationen umkehren, die statistischen Kontrast maximieren.

Demonstration

Illustratives Beispiel → Zwei Personen sprechen gleichzeitig; zwei Mikrofone nehmen lineare Mischungen auf. Erkennung → Anwendung eines ICA‑Algorithmus auf die beiden Aufnahmen. Handlung → Schätzung einer Entmischungsmatrix, die Unabhängigkeit erzwingt. Folge → Zwei Ausgangssignale, die den Originalstimmen nahekommen, mit unbekannter relativer Skalierung und möglicher Vertauschung der Reihenfolge.

Fehlanwendung

Fehlinterpretation → Erwartung, dass blindes Entmischen ohne Prüfung der Identifizierbarkeitsbedingungen immer gelingt. Warum es plausibel scheint → Triviale Darstellungen, dass Algorithmen allgemein anwendbar sind. Semantischer Fehler → Missachtung notwendiger Annahmen (z. B. Nicht‑Gaussianität, ausreichend viele Sensoren, Gültigkeit des linearen Modells). Korrigierte Interpretation → Die Leistung hängt davon ab, ob das Problem den Modellannahmen genügt.

Konsequenz

Bei Anwendung ermöglicht es die Wiederherstellung von Quellen für Rauschunterdrückung, Merkmalextraktion und unabhängige Signalanalysen; bei Nichterfüllung der Annahmen resultieren unvollständige Trennungen, verzerrte Signale und verbleibende Ambiguitäten (Skalierung, Permutation).

Umkehrung

Das Prinzip versagt oder muss angepasst werden bei konvolutiven (hallenden) oder nichtlinearen Mischungen, bei rein gaußverteilten unabhängigen Quellen oder wenn die Anzahl der Quellen die der Sensoren übersteigt — solche Fälle erfordern andere Modelle oder Zusatzinformationen.

Abgrenzung

Eindeutig innerhalb → Instantane lineare Mischungen unabhängiger, nicht‑gausscher Quellen mit Anzahl Sensoren ≥ Anzahl Quellen. Grenzfall → Gleiche Anzahl Sensoren und Quellen mit schwacher Nicht‑Gaussianität oder annähernd singulärer Mischmatrix. Eindeutig außerhalb → Nichtlineare Mischung ohne passendes Modell oder Fälle mit nur gaußschen Statistiken und keiner Nebeninformation.

Semantische Spannung

Blindheit (kein Vorwissen) versus Zuverlässigkeit: Das Fehlen von Priors erhält Generalität, aber erhöht die Abhängigkeit von starken statistischen Annahmen und belässt unauflösbare Ambiguitäten; das Einbringen von Priors verringert Ambiguitäten, reduziert jedoch Blindheit.

Synthese

Blindquellen‑Trennung tauscht Wissen gegen Inferenz: Durch Ausnutzung statistischer Struktur statt detaillierter Mischmodelle können Quellen in vielen praktischen Fällen rekonstruiert werden, doch unvermeidliche Ambiguitäten und Modellabhängigkeiten erfordern entweder Akzeptanz beschränkter Interpretierbarkeit oder zusätzliche Informationen.