UBSS’de karışık matris tahmini için yerel maksimum eşzamanlı çıkarım dönüşüm algoritmasına dayalı kaynak sinyal seyrekliğinin artırılması

Gizli Sinyallerin Çözülmesi

Kullandığımız birçok teknoloji—kablosuz ağlar, radar, tıbbi görüntüleyiciler ve hatta akıllı mikrofonlar—iç içe geçmiş zayıf sinyalleri ayırt etmek zorundadır. Sadece iki kulağınızla kalabalık bir kafede aynı anda birkaç konuşmayı takip etmeye çalışmayı hayal edin. Bu makale, sensör sayısının kaynak sayısından az olduğu, bilinen en zorlu durumlarda bu tür örtüşen sinyalleri “çözmenin” yeni bir yolunu sunuyor. Sinyallere zaman ve frekans düzeyinde daha keskin bakmak ve bilgisayarların ilgili verileri gruplama biçimini geliştirmek suretiyle, yazarlar karışımları daha doğru ve güvenilir biçimde ayırabildiklerini; gürültülü gerçek dünya koşullarında dahi daha iyi sonuç aldıklarını gösteriyorlar.

Karışık Sinyallerin Ayrılmasını Zorlaştıran Nedir?

Birçok sistemde, bağımsız birkaç sinyal aynı kanaldan geçer ve az sayıda alıcı tarafından alınır. Bu durum, bilinmeyen sinyal sayısının ölçümlerden fazla olduğu belirsiz (underdetermined) kör kaynak ayrıştırma olarak adlandırılır. Klasik sinyal ayrıştırma yöntemleri genellikle tersini varsaydığından burada başarısız olur. Modern bir püf noktası seyreklikten yararlanmaktır: uygun bir gösterimde her kaynak yalnızca birkaç an veya frekansta etkin olur. Çoğu anda yalnızca bir kaynak baskındaysa, gözlenen veri bulutu doğal olarak her kaynağın alıcılara nasıl karıştığını kodlayan yönleriyle kümeler oluşturur. Ancak bu kümeleri doğru şekilde bulmak, her kaynağın enerjisinin bulanıklaşmak yerine keskin şekilde yoğunlaştığı bir temsil gerektirir.

Bir Sinyalin Görüntüsünü Keskinleştirme

Seyrekliği ortaya çıkarmak için mühendisler genellikle sinyalleri hangi tonların hangi anlarda var olduğunu gösteren zaman–frekans görüntüsüne dönüştürür. Basit kısa-süreli Fourier dönüşümü zaman boyunca bir pencere kaydırıp çok sayıda küçük spektrum alarak bunu yapar, fakat enerjiyi bulanıklaştırır ve zamanlamada keskinlik ile perde (frekans) doğruluğunu aynı anda veremez. Synchrosqueezing ve synchroextracting gibi daha gelişmiş varyantlar, yayılmış enerjiyi bir sinyalin anlık frekansını izleyen sırt boyunca çekmeye çalışır. Bu yöntemler odaklanmayı iyileştirir, ancak gürültüye karşı yine kırılgandır: rastgele bozulmalar sinyalle aynı sırtlar boyunca sıkıştırıldığında sonuç, ince yapıyı gizleyen parlak ama bulanık bir bant olabilir.

Seyrekliği Artırmak İçin Yerel Zirveleri Bulma

Bu fikirlerin üzerine kurulan yazarlar, Yerel Maksimum Eşzamanlı Çıkarım Dönüşümü (Local Maximum Synchroextracting Transform, LMSET) adlı yöntemi tanıtıyor. Yakındaki tüm enerjiyi bir frekans sırtına itmek yerine, LMSET zaman–frekans düzlemini tarar ve her an için frekans ekseni boyunca yerel zirvelere tutunur. Sadece bu yerel maksimumların etrafındaki katsayılar tutulur ve yeniden atanır; geri kalanı bastırılır. Bu basit değişiklik, her bileşen sinyalin enerjisinin çok daha az dağınık noktalarla ince, temiz eğrilere yoğunlaştığı bir gösterim verir. Çok bileşenli test sinyalleriyle yapılan simülasyonlarda, LMSET geleneksel ve en yeni yöntemleri geniş bir gürültü aralığında geride bırakarak en düşük Rényi entropisini (yoğunluğun standart bir ölçüsü) üretiyor. Daha açık söylemek gerekirse, LMSET her sinyalin zaman ve frekansta nerede bulunduğuna dair daha net bir görüntü sunuyor.

Gizli Karışımı Öğrenmek İçin Daha Akıllı Gruplama

Daha keskin bir görüntü tek başına yeterli değil; bir sonraki adım, elde edilen noktaları kümeleyerek her bir kaynağın her alıcıya nasıl katkıda bulunduğunu tanımlayan bilinmeyen karışım matrisini tahmin etmektir. Pek çok yaklaşım, başlangıç tahminine ve aykırı veri noktalarına çok duyarlı olduğundan kötü çözümlere takılmaya meyilli popüler bir yöntem olan bulanık C-ortalamaya dayanır. Bu zayıflıkları aşmak için yazarlar LMSET’i yeni, daha sağlam bir kümeleme şemasıyla birleştirir. Önce kontrol teorisinden esinlenen PID tabanlı bir arama algoritması kullanarak olası küme merkezleri uzayını keşfeder ve kötü başlangıç noktalarından kaçınırlar. Ardından aykırıları önemsizleştirmek için Boolean ağırlık mekanizması ve başlangıç koşullarına duyarlılığı azaltan bilgi-entropisi stratejisi uygularlar. Bu adımlar birlikte, kümelemenin gizli kaynakların gerçek yönlerine daha tutarlı biçimde kilitlenmesini sağlar.

Testler Ne Gösteriyor?

Yazarlar tam işlem hattını—LMSET artı geliştirilmiş kümelemeyi—sessiz ve gürültülü ortamlarda QAM, QPSK ve FSK dahil dijital modülasyonlu iletişim sinyallerinin karışımları üzerinde test ediyorlar. Tahmin edilen karışım matrislerini gerçek matrislerle açısal hata ve normalize ortalama kare hata kullanarak karşılaştırıyorlar. Genel olarak, geleneksel bir dönüşüm yerine LMSET kullanmak hataları azaltıyor; çünkü veri noktaları daha sıkı, daha ayrı kümeler oluşturuyor. Kümeleme yöntemleri arasında önerilen PID-ile-optimize edilmiş sağlam bulanık C-ortalamalar en küçük ortalama açısal sapmaları ve en iyi hata skorlarını sağlıyor. Bir arada, önerilen yöntem geleneksel yaklaşımlara kıyasla karışım matrisi tahmininin doğruluğunu yaklaşık yüzde 20 oranında iyileştiriyor ve yüksek gürültü seviyelerinde dahi güçlü performans koruyor.

Neden Kuramın Ötesinde Önemli?

Uzman olmayanlar için ana çıkarım şu: yazarlar, her bir orijinal akışı daha temiz şekilde geri elde edebilmek üzere, dolaşık sinyallere daha iyi bakma ve bunları daha iyi gruplama yöntemi bulmuşlar. Zaman–frekans manzarasındaki yerel zirvelere odaklanmak ve bunu daha titiz bir kümeleme stratejisiyle eşleştirmek, imkansız gibi görünen kafe problemini—çok sayıda ses, çok az kulak—biraz daha çözülebilir kılıyor. Bu gelişme, üst üste binen iletimleri ayırmak zorunda olan uydu bağlantılarından, gürültü içinde gömülü zayıf biyolojik sinyalleri izole etmesi gereken tıbbi sistemlere kadar pek çok uygulamaya daha sınırlı ölçümlerden daha temiz bilgi sunma açısından fayda sağlayabilir.

Atıf: Li, X., Li, Z., Yao, R. et al. Source signal sparsity enhancement based on local maximum synchronous extraction transform algorithm for mixed matrix estimation in UBSS. Sci Rep 16, 9378 (2026). https://doi.org/10.1038/s41598-026-40055-y

Anahtar kelimeler: kör kaynak ayrıştırma, sinyal seyrekliği, zaman–frekans analizi, kümeleme algoritmaları, kablosuz iletişim