单通道信号源数智能估计研究学术报告
一、 研究作者、机构与发表信息 本研究的主要作者为Yunwei Zhang和Yong Gao*（*通讯作者），均来自中国四川大学电子信息工程学院。研究成果以题为《Source number of single-channel signals intelligent estimation via signal reconstruction》的论文形式，发表于期刊《Digital Signal Processing》2023年第140卷。该论文已于2023年6月5日在线发布。
二、 学术背景与研究目标 本研究属于信号处理领域，具体聚焦于单通道接收场景下的信号源数目估计问题。在无线通信飞速发展的背景下，频谱日益拥挤，信号重叠严重，从接收信号中准确判断信号源的数量，是盲源分离、雷达侦察、声呐探测等诸多应用的关键前提。
与多通道接收系统相比，单通道系统因其结构简单、灵活、紧凑且成本低廉而受到青睐，它避免了多通道系统中常见的通道耦合和幅相不平衡问题。然而，现有的单通道源数估计方法大多由多通道方法改进而来，普遍存在一个显著缺陷：它们通常需要较高的信噪比才能达到满意的估计精度。此外，随着深度学习在信号处理领域的成功应用，一些研究者开始尝试将其用于源数估计，但这些方法往往需要海量的模拟数据来训练模型，在实际测量信号场景中应用受限。
因此，本研究旨在克服上述两大局限。其核心目标是：开发一种适用于低信噪比条件、且仅需少量实际测量样本就能进行有效训练的单通道信号源数智能估计方法。 具体研究思路是结合信号重构与深度学习，首先通过基于低秩表示的重构算法恢复信号本质结构并抑制噪声，然后将重构信号转换为能保留信息相关性与特征完整性的无线电图像，最后设计一个轻量级分类模型，利用小样本图像完成源数估计。
三、 详细研究流程与方法 本研究的工作流程主要包括三个核心模块：信号重构模块、无线电图像构建模块以及深度特征提取与分类模块。
1. 信号重构模块 * 研究对象与处理：研究使用由两台NI USRP-2930设备和LabVIEW软件平台搭建的单通道信号采集系统，实际采集了三种调制信号：BPSK、2FSK和QPSK。基于这些信号，构建了三个类别的数据集：单源信号（BPSK）、双源混合信号（BPSK+2FSK）以及三源混合信号（BPSK+2FSK+QPSK）。每个类别包含1500个样本，每个样本长度为8000点。其中，每个类别取1000个样本作为训练集，100个作为验证集，剩余400个作为测试集。为了模拟低信噪比环境，向所有样本添加了信噪比分布在0 dB至10 dB之间的高斯白噪声。 * 核心算法与流程：为了从含噪的原始I/Q数据中提取鲁棒的低维特征并去除冗余信息，本研究提出了一种新颖的无监督信号重构算法。该算法的数学模型旨在求解一个优化问题，其目标函数包含四个部分： * 重构误差项：使用最小二乘衡量投影前后信号的误差。 * 低秩约束项：使用Schatten p-范数 (Schatten p-norm) 对重构系数矩阵进行全局约束，以逼近矩阵的秩函数。当p接近0时，该范数比常用的核范数能更好地近似秩函数，从而更有效地提取数据的低秩结构。 * 投影矩阵约束项：防止过拟合。 * 线性判别项：利用数据的标签信息，通过最大化类间散度与最小化类内散度，增强低维特征的可分离性。 * 优化求解：该优化问题采用交替方向乘子法 (Alternating Direction Method of Multipliers, ADMM) 进行迭代求解。算法通过固定其他变量，交替优化重构系数矩阵Z、辅助变量H、拉格朗日乘子η、惩罚系数μ以及投影矩阵W，最终收敛得到最优的低维重构信号X* = W*^T X。论文详细推导了每个子问题的闭式解或求解方法，并给出了完整的算法步骤（Algorithm 1）。复杂度分析表明，算法每次迭代的最大计算复杂度为O(e^3)，其中e为测量次数。
2. 无线电图像构建模块 * 方法与目的：传统方法通常只利用信号的部分信息（如仅用幅度或I/Q分量之一），导致信息丢失。为了充分利用重构信号中的有价值信息并保持其特征的完整性，本研究提出将重构信号的幅度信息(Amplitude)、同相分量(I)和正交分量(Q) 并行处理，并构建为三通道的“无线电图像”。 * 具体步骤：首先，从重构信号数据X中分别提取其实部I(X)、虚部Q(X)和幅度Am(X)。由于I/Q数据值可能为负，而图像像素值范围为[0, 255]，因此对每个数据集进行平移处理，即用每个数据减去其自身的最小元素，得到三个非负的数据集K_I, K_Q, K_Am。随后，将这三个数据集分别对应为RGB图像的R、G、B通道，从而将每个信号样本可视化为一张大小为1×S（S为样本长度）的彩色图像。这种表示方法将时间序列信号转换为具有颜色和纹理特征的图像，使得不同源数的信号会生成视觉特征迥异的图像，为后续基于图像分类的深度学习模型提供了理想的输入。
3. 深度特征提取与分类模块 * 模型设计：为了应对小样本训练的挑战，本研究设计了一个轻量级混合分类模型 (Lightweight Hybrid Classification, LHC)。该模型结合了卷积神经网络强大的特征提取能力和支持向量机在小样本分类上的良好泛化能力。 * 网络结构：LHC模型采用级联结构。前端是一个五层CNN，用于从输入的无线电图像中提取深层特征。由于输入图像尺寸特殊（1×180），CNN去除了池化层，并设置了四个卷积层，其卷积核大小分别为1×3, 1×5, 1×7, 1×7，以充分提取特征。后端使用SVM分类器替代CNN中常用的Softmax分类器，对CNN提取的特征进行分类，以提升模型在有限样本下的泛化性能和分类精度。 * 训练细节：实验在配备NVIDIA GeForce RTX 2080 GPU的计算机上进行，使用TensorFlow框架和CUDA 10.1。采用Adam优化器，学习率设为0.01，训练10个周期，批次大小为128。
四、 主要研究结果与分析 实验部分系统性地验证了所提方法的各个组成部分及其整体性能。
1. 信号重构算法的性能分析 * 正则化系数敏感性测试：通过网格搜索测试了算法中三个正则化系数α, β, λ在不同信噪比下对估计准确率的影响。实验结果表明，在低信噪比和小样本条件下，为获得可靠的源数估计，参数设置为α=0.1, β=0.1, λ=0.01时性能最佳。 * Schatten p-范数中参数p的敏感性测试：在固定信噪比（2 dB）下，测试了不同p值和数据降维维度对平均识别准确率的影响。结果显示，当p值从1减小到0.1时，平均识别准确率呈上升趋势，这验证了Schatten p-范数在p趋近于0时能更好地近似秩函数的理论。同时，当重构数据维度达到180时，准确率趋于稳定，因此最终选择将原始数据降至180维。 * 算法有效性对比：将本研究的信号重构算法与四种现有的基于低秩表示的重构算法（LRR, SICD, TNNL, WSNM）进行了对比。在所有测试的信噪比水平下，本研究提出的算法均取得了最高的平均识别准确率。这证明了结合Schatten p-范数和线性判别项的策略，在提取可分性强的低维特征方面更具优势。
2. LHC模型输入数据有效性分析 比较了使用不同数据作为LHC模型输入时的估计性能：单独使用重构信号的实部(I)、虚部(Q)、幅度(Am)，以及使用三者融合构建的无线电图像。实验结果表明，使用无线电图像作为输入获得的估计准确率显著高于使用任何单一分量数据。这证实了充分利用信号中信息的关联性和特征完整性，对于CNN提取充分深度特征、进而提升估计精度至关重要。
3. 深度特征提取与分类网络性能评估 对比了单纯CNN（使用Softmax分类器）、单纯SVM以及本研究提出的LHC模型（CNN+SVM）的性能。在相同的小样本训练条件下，SVM的表现优于CNN，而LHC模型取得了最高的识别准确率。这说明了尽管CNN特征提取能力强，但在小样本下易受限制；而LHC模型通过结合CNN的特征提取能力和SVM在小样本下的强泛化能力，实现了性能的提升。
4. 与现有源数估计方法的对比 将本研究提出的完整方法（信号重构+无线电图像+LHC）与六种现有主流方法进行了全面比较，包括两种改进的传统方法（[19], [20]）和四种基于深度学习的方法（[21], [22], [23], [24]）。对比涵盖了信号类型、采集方式、样本数量、数据集构成和估计原理等多个维度。 * 定量结果：在信噪比为2 dB时，本方法对单源、双源、三源信号的估计准确率分别达到92.25%、87.75%和79.25%，均高于其他对比方法。 * 整体趋势：在不同信噪比下的准确率曲线显示，基于深度学习的方法普遍优于传统方法。在训练样本数量相同（每类1000个）的条件下，本方法在所有信噪比水平（尤其是低信噪比）下均取得了最优的性能。即使在2 dB的低信噪比下，本方法的估计准确率仍能保持在86%以上。
五、 研究结论与价值 本研究成功提出了一种适用于低信噪比与小样本条件的单通道信号源数智能估计方法。该方法的核心贡献在于： 1. 提出了一种基于低秩表示和Schatten p-范数的无监督信号重构算法，有效抑制噪声并提取鲁棒的低维信号特征。 2. 创新性地将重构信号的幅度与I/Q数据构建为三通道无线电图像，最大限度地保留了信号内部信息的关联性和完整性，为深度学习特征提取提供了更优的输入形式。 3. 设计了一个轻量级混合分类模型，巧妙结合CNN与SVM的优势，克服了小样本训练难题，提高了模型的分类精度与泛化能力。
实验结果表明，该方法在低信噪比环境下显著优于现有方法，且仅需少量实际测量样本即可进行有效训练，兼具了高估计性能与强实用性的优点。其科学价值在于为单通道盲信号处理中的源数估计问题提供了一个新颖且有效的深度学习解决方案框架。应用价值则体现在其能够服务于雷达、通信、声学探测等需要单通道接收且工作环境恶劣（低信噪比）的众多实际场景。
六、 研究亮点 1. 问题导向的创新性：直接针对单通道源数估计中“低信噪比性能差”和“深度学习需要大数据”两大痛点，提出了系统性的解决方案。 2. 方法层面的融合与创新： * 将低秩表示理论与深度学习进行跨领域结合，先通过数学模型优化信号质量，再交由神经网络进行分类。 * 提出了信号到图像的特定转换方法（无线电图像），将信号处理问题转化为更擅长的图像分类问题。 * 设计了LHC混合模型，针对小样本条件优化了深度学习模型结构，提升了实用性。 3. 实验验证的充分性与对比的全面性：研究不仅验证了内部各个模块（如重构算法参数、输入数据形式、分类模型）的有效性，还与多种类型（传统与深度学习）的现有方法进行了广泛且详细的对比，强有力地证明了所提方法的优越性。 4. 基于实际测量信号：与许多依赖仿真数据的研究不同，本研究使用真实设备采集的信号构建数据集，使研究成果更贴近实际应用。