基于局部极大同步提取变换算法的源信号稀疏性增强用于UBSS混合矩阵估计

解开隐藏信号的纠缠

我们依赖的许多技术——无线网络、雷达、医疗成像甚至智能麦克风——都需要从彼此混合的微弱信号中识别出有用信息。想象在嘈杂的咖啡馆里用两只耳朵同时跟踪几段对话。这篇论文提出了一种新的方法，在传感器数量少于信号源的情况下“解开”这些重叠信号，这种情形向来极为困难。研究者通过在时频域上使信号表征更为锐利，并改进计算机对相关数据的分组方式，展示了在嘈杂的真实环境下也能更准确、更可靠地分离混合信号。

为什么混合信号难以分离

在许多系统中，若干独立信号通过相同通道传播，并被少数接收器拾取。这种情形称为欠定盲源分离，意味着未知信号的数量多于测量值。经典的信号分离方法通常假设相反的情况，因此在此处失效。现代的一项关键技巧是利用稀疏性：在合适的表征下，每个源仅在少数时间点或频率处是活跃的。如果在大多数时刻只有一个源占主导，观测数据将自然形成簇，其方向编码了每个源如何混入接收器中。然而，准确发现这些簇依赖于是否存在一种表征，使每个源的能量是高度集中而非模糊散布的。

使信号图像更清晰

为揭示稀疏性，工程师常将信号转换为时频图像，以显示哪些频率在何时存在。简单的短时傅里叶变换通过沿时间滑动窗口并计算多个小谱来实现这一点，但它会模糊能量，无法同时兼顾清晰的时间定位和精确的频率。更先进的变体如同步挤压（synchrosqueezing）和同步提取（synchroextracting）试图将扩散的能量拉向跟随信号瞬时频率的脊线。这些方法能提高聚焦，但仍易受噪声影响：当随机干扰沿着与信号相同的脊线被压缩时，结果可能是明亮但模糊的带状区域，遮蔽了细微结构。

寻找局部峰值以增强稀疏性

基于这些思想，作者提出了局部极大同步提取变换（Local Maximum Synchroextracting Transform，LMSET）。LMSET不是将所有附近能量都推向某一频率脊线，而是在时频平面上扫描，对于每个时刻沿频率轴锁定局部峰值。仅保留并重新分配这些局部极大值周围的系数，抑制其余系数。这一简单的改变产生了一种表征，使每个分量信号的能量集中成细而清晰的曲线，杂散点大幅减少。通过对多分量测试信号的仿真，LMSET在广泛噪声水平下产生了最低的Rényi熵（Rényi entropy），这是一种衡量集中程度的标准，优于传统和最先进的方法。简言之，LMSET能更清晰地显示每个信号在时频上的分布。

更智能的分组以学习隐藏的混合

更清晰的图像只是战斗的一半；下一步是对所得点进行聚类，以估计描述每个源如何贡献给每个接收器的未知混合矩阵。许多方法依赖模糊C均值（fuzzy C-means），这是一种常用的聚类方法，但它常因对初始猜测和异常点高度敏感而陷入劣解。为克服这些弱点，作者将LMSET与一种更鲁棒的聚类方案耦合。他们首先使用一种基于PID的搜索算法（受控制理论启发）来探索可能的簇中心空间，避免不良的初始位置。然后引入布尔权重机制以淡化异常点的影响，并采用信息熵策略来降低对初始条件的敏感性。综合这些步骤，聚类能够更稳健地锁定隐藏源的真实方向。

测试结果揭示了什么

作者在数字调制通信信号的混合物上测试了整个流程——LMSET加上改进的聚类——包括QAM、QPSK和FSK信号，在安静和有噪声的环境中均进行了验证。他们使用角度误差和归一化均方误差来比较估计的混合矩阵与真实矩阵。总体来看，使用LMSET代替传统变换可降低误差，因为数据点形成了更紧密、更清晰的簇。在聚类方法中，所提出的PID优化鲁棒模糊C均值在平均角偏差和误差得分上表现最佳。总体而言，组合方法相比传统方法将混合矩阵估计的准确性提高了近20%，即便在噪声较高时也保持了良好性能。

为何这超越纯理论的重要性

对非专业读者来说，关键结论是作者找到了一种更好的方式来观察和分组纠缠的信号，从而能更干净地恢复每一条原始信号流。通过聚焦时频图中的局部峰值并将这种视角与更审慎的聚类策略相结合，他们的方法使“咖啡馆难题”——多声源、少接收器——变得更可解。这一进展可惠及从必须分离重叠传输的卫星链路，到需要从噪声中隔离微弱生物信号的医疗系统等诸多应用，从相同的有限测量中提供更清晰的信息。

引用: 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

关键词: 盲源分离, 信号稀疏性, 时频分析, 聚类算法, 无线通信