本研究探讨了CEEMDAN算法在音频源分离中的有效性，指出其在分离混合信号方面存在局限性。尽管CEEMDAN能改善语音质量，但对不同语音信号的分离效果仍不理想。

本研究提出了一种新方法，构建包含混合信号和真实信号的训练数据集，以解决说话人分离问题。评估结果表明，在真实混音条件下，性能提升了1.65 dB，验证了现实训练集的有效性。

本研究提出了一种适用于混合信号模拟内存计算架构的核近似方法，旨在解决机器学习中核函数的高内存和计算开销问题，从而显著提升能效和准确性。