鄧文，黃知濤，王翔

（1.國防科技大學(xué)電子科學(xué)學(xué)院，湖南 長沙 410073；2.國防科技大學(xué)電子對抗學(xué)院，安徽 合肥 230088）

0 引言

隨著電子信息技術(shù)的迅速發(fā)展，用頻設(shè)備數(shù)量呈爆炸式增長。信息傳輸系統(tǒng)經(jīng)常處于時(shí)域高度密集、頻域嚴(yán)重重疊、空域相互交織且隨時(shí)間動(dòng)態(tài)變化的復(fù)雜電磁環(huán)境中，導(dǎo)致各種電磁信號(hào)嚴(yán)重混疊。這給信息接收方的信號(hào)處理任務(wù)帶來了巨大挑戰(zhàn)。例如，2.4 GHz 頻段是國際通信聯(lián)盟無線電通信局規(guī)定的工業(yè)、科學(xué)和醫(yī)療（ISM,industrial scientific medical）頻段，允許各個(gè)國家開放使用。基于IEEE 802.11 標(biāo)準(zhǔn)的無線局域網(wǎng)設(shè)備及藍(lán)牙設(shè)備都工作在這一頻段，當(dāng)它們在同一狹小空間范圍內(nèi)同時(shí)工作時(shí)，二者的接收端都會(huì)接收到時(shí)頻嚴(yán)重混疊的干擾信號(hào)[1]。在衛(wèi)星通信領(lǐng)域，如星載船舶自動(dòng)識(shí)別系統(tǒng)（AIS,automatic identification system）[2]等，轉(zhuǎn)發(fā)干擾是很難處理的一種信號(hào)，因?yàn)樗c通信信號(hào)頻率相同，且統(tǒng)計(jì)相關(guān)，而功率往往比通信信號(hào)大很多，嚴(yán)重影響正常通信[3]。此外，基于成對載波多址（PCMA,paired carrier multiple access）的通信系統(tǒng)允許不同終端基于完全相同的頻率、時(shí)隙及擴(kuò)頻碼相互通信[4]。對該類信號(hào)進(jìn)行偵察時(shí)，很難對同一鏈路中來自不同通信終端的信號(hào)進(jìn)行參數(shù)分析及信息提取。面對這些復(fù)雜情況，傳統(tǒng)的時(shí)頻域?yàn)V波方法無法發(fā)揮作用，而在只有一個(gè)接收天線的單通道情況下，基于波束成形的空域?yàn)V波方法也將失效。因此，迫切需要一種可以有效應(yīng)對多信號(hào)時(shí)頻混疊場景的新技術(shù)，從而提升各類系統(tǒng)對復(fù)雜電磁環(huán)境的適應(yīng)能力。

盲信號(hào)分離（BSS,blind signal separation）是解決復(fù)雜電磁環(huán)境下混疊信號(hào)處理問題的一種很有前途的技術(shù)。BSS 技術(shù)可以在傳輸信道參數(shù)未知的情況下，僅基于對期望信號(hào)較少的假設(shè)條件（如非高斯性、統(tǒng)計(jì)獨(dú)立性、循環(huán)平穩(wěn)性、稀疏性等），實(shí)現(xiàn)混疊信號(hào)分離[5]。BSS 技術(shù)對混疊信號(hào)的頻譜關(guān)系沒有要求，信號(hào)可以是不同頻率的，也可以是同頻率的，這對時(shí)頻域高度混合的信號(hào)的處理非常有吸引力。然而，BSS 的理論框架是建立在傳感器數(shù)目不小于源信號(hào)數(shù)目的基本假設(shè)之上的。在實(shí)際應(yīng)用場景中，一些通信系統(tǒng)由于受到體積、成本等方面的限制，信號(hào)接收端往往只有一個(gè)接收天線，因此單通道觀測條件下的 BSS（SCBSS,single channel BSS）技術(shù)研究將更具有現(xiàn)實(shí)意義。為此，研究人員在這一領(lǐng)域做了許多探索工作。

此外，隨著計(jì)算硬件的不斷發(fā)展和深層網(wǎng)絡(luò)訓(xùn)練方式的優(yōu)化，深度神經(jīng)網(wǎng)絡(luò)在許多數(shù)據(jù)處理領(lǐng)域表現(xiàn)出了強(qiáng)大的復(fù)雜問題建模能力和優(yōu)異性能。近年來，深度學(xué)習(xí)（DL,deep learning）技術(shù)[6-7]在語音信號(hào)處理、自然語言處理等領(lǐng)域表現(xiàn)出優(yōu)異性能[8-13]，在通信信號(hào)處理領(lǐng)域也出現(xiàn)了基于數(shù)據(jù)驅(qū)動(dòng)技術(shù)的算法[14]，如信號(hào)檢測[15-16]、調(diào)制識(shí)別[17-18]、信道估計(jì)[19]等。而基于數(shù)據(jù)驅(qū)動(dòng)的SCBSS研究目前仍處于起步階段。對于SCBSS 而言，DL技術(shù)為突破傳統(tǒng)SCBSS 方法模型優(yōu)化難、計(jì)算復(fù)雜度高、分離性能差等局限性提供了一種新的手段，即利用海量的數(shù)據(jù)尋找和建立信號(hào)內(nèi)部特征關(guān)系，進(jìn)而完成問題求解。數(shù)據(jù)驅(qū)動(dòng)方法不需要考慮通信信號(hào)模型，而是將深度神經(jīng)網(wǎng)絡(luò)（DNN,deep neural network）視為黑盒，通過大量數(shù)據(jù)實(shí)現(xiàn)非線性擬合，訓(xùn)練完成的網(wǎng)絡(luò)模型僅需要一次前向計(jì)算便可實(shí)現(xiàn)分離，弱化了模型失配帶來的影響，同時(shí)避免了復(fù)雜的模型優(yōu)化和參數(shù)選取過程。因此，基于數(shù)據(jù)驅(qū)動(dòng)的SCBSS 是一個(gè)極具應(yīng)用前景的研究方向。

本文將對單通道觀測條件下通信信號(hào)盲分離的工作進(jìn)行分析和總結(jié)，并在此基礎(chǔ)上，綜述現(xiàn)有基于數(shù)據(jù)驅(qū)動(dòng)的SCBSS 研究現(xiàn)狀，并探討該技術(shù)目前亟待解決的問題和解決思路。最后，本文將展望SCBSS 未來的發(fā)展趨勢，旨在幫助后續(xù)研究人員更好地理解基于數(shù)據(jù)驅(qū)動(dòng)的SCBSS 技術(shù)，并為其提供相關(guān)思路，以促進(jìn)該領(lǐng)域的進(jìn)一步發(fā)展。

1 SCBSS 問題模型

其中，A(·) 表示廣義混疊信道，決定了各信號(hào)與其在觀測中對應(yīng)分量的關(guān)系；v(n) ∈C1×1表示觀測通道內(nèi)存在的噪聲及擾動(dòng)成分。

BSS 問題中的“盲”強(qiáng)調(diào)的含義如下：1) 參與混疊的信號(hào)未知；2) 混疊信道未知。嚴(yán)格意義上的BSS 指的是在這2 個(gè)條件下，僅基于混疊觀測完成對其中包含的所有信號(hào)的分離的過程。具體而言，其核心在于尋找某個(gè)分離系統(tǒng)W(·)，使僅以x(n)為輸入的該分離系統(tǒng)的輸出y(n)是s(n)的良好估計(jì)即滿足

SCBSS 基本流程如圖1 所示。

圖1 SCBSS 基本流程

BSS 問題的分類可以根據(jù)研究問題的角度和所關(guān)注問題場景的不同而靈活設(shè)定多種標(biāo)準(zhǔn)。BSS 問題分類框架如圖2 所示?，F(xiàn)有的BSS 問題分類標(biāo)準(zhǔn)包括接收通道數(shù)、混疊信道類型和目標(biāo)信號(hào)類型。多通道BSS 可以根據(jù)接收通道數(shù)M與信號(hào)數(shù)N的關(guān)系進(jìn)一步劃分為超定BSS（M＞N）、正定BSS（M=N）和欠定BSS（2≤M＜N）。根據(jù)是否考慮同一信號(hào)到達(dá)不同通道的時(shí)延差異以及同一信號(hào)到達(dá)同一通道的多徑效應(yīng)，線性混疊信道可以被劃分為3 種：線性瞬時(shí)混疊信道、線性時(shí)延混疊信道和線性卷積混疊信道。

圖2 BSS 問題分類框架

BSS 的目的是從混疊觀測中恢復(fù)各個(gè)期望信號(hào)。一般而言，用期望信號(hào)的估計(jì)值與真實(shí)值進(jìn)行對比，以評價(jià)算法的性能。根據(jù)應(yīng)用場景的不同，分離系統(tǒng)輸出恢復(fù)的信號(hào)形式一般分為信號(hào)波形和信號(hào)符號(hào)序列。因此，現(xiàn)有BSS 算法的性能評價(jià)指標(biāo)可分為波形恢復(fù)質(zhì)量評價(jià)指標(biāo)和符號(hào)序列恢復(fù)質(zhì)量評價(jià)指標(biāo)兩類。表1 展示了BSS 算法的性能評價(jià)指標(biāo)。在不同場景下的分離系統(tǒng)中，需要選擇相應(yīng)的評價(jià)指標(biāo)，以更準(zhǔn)確地評估分離算法的性能。同時(shí)，也可以結(jié)合多種評價(jià)指標(biāo)進(jìn)行綜合評價(jià)，以更全面地了解算法的性能表現(xiàn)。

表1 BSS 算法性能評價(jià)指標(biāo)

2 SCBSS 技術(shù)研究進(jìn)展

本節(jié)首先介紹基于應(yīng)用邏輯的BSS 技術(shù)分類框架，然后詳細(xì)梳理SCBSS 技術(shù)的研究進(jìn)展，并分析當(dāng)前研究中存在的不足。重點(diǎn)關(guān)注以時(shí)頻混疊的數(shù)字通信信號(hào)為分離目標(biāo)信號(hào)的現(xiàn)有SCBSS技術(shù)。

2.1 基于應(yīng)用邏輯的BSS 技術(shù)分類框架

在嚴(yán)格的BSS 問題中，通常要求分離系統(tǒng)輸出目標(biāo)信號(hào)的時(shí)域波形，其中包含較完整的目標(biāo)信號(hào)信息。然而，在實(shí)際BSS 系統(tǒng)中，輸出結(jié)果的形式會(huì)因目標(biāo)信號(hào)類型和具體信號(hào)分析/信息提取需求的不同而發(fā)生相應(yīng)的變化。具體而言，一方面，信息的完整性意味著對信號(hào)時(shí)域波形的精確獲?。ɑ謴?fù)）往往難度較大；另一方面，實(shí)際BSS 應(yīng)用對輸出結(jié)果的后續(xù)分析或信息提取一般只關(guān)注某一方面或某一維度的目標(biāo)信號(hào)信息，例如，參數(shù)分析中的譜峰信息或合作通信中的數(shù)字通信信號(hào)調(diào)制符號(hào)信息，而時(shí)域波形中包含的完整信息將大概率存在冗余或無用的部分。

具體而言，在頻譜管理和特定信號(hào)檢測等應(yīng)用中，分離系統(tǒng)輸出結(jié)果中所包含信號(hào)的參數(shù)信息（如載頻、帶寬和調(diào)制樣式等）更受關(guān)注。為了滿足獲取該層次目標(biāo)信號(hào)信息的需求，通常首先獲取其時(shí)域波形，然后采用經(jīng)典參數(shù)估計(jì)算法基于時(shí)域波形估計(jì)信號(hào)參數(shù)。而在合作/非合作通信中的一些典型BSS 問題場景下，相較于目標(biāo)信號(hào)參數(shù)信息，更多關(guān)注的是數(shù)字通信信號(hào)調(diào)制符號(hào)信息。上述場景常見于以下三類典型BSS 問題中。

1) 合作通信中的通信抗干擾問題。由于合作通信的重點(diǎn)在于實(shí)現(xiàn)通信信息的傳輸，且目標(biāo)信號(hào)參數(shù)均已事先準(zhǔn)確獲知，因此直接基于混疊觀測對目標(biāo)信號(hào)符號(hào)序列進(jìn)行估計(jì)（分離）將更具有實(shí)際意義。

2) 非合作通信中的公開樣式信號(hào)偵察問題。在對AIS 信號(hào)或其他格式固定且公開的目標(biāo)信號(hào)進(jìn)行偵察時(shí)，對其信號(hào)參數(shù)的估計(jì)無法帶來有效信息增量，同時(shí)更多情況希望基于已知信號(hào)參數(shù)及格式對其中加載的調(diào)制信息進(jìn)行解譯，因此進(jìn)行BSS 時(shí)的分離輸出一般為直接對目標(biāo)信號(hào)符號(hào)序列的估計(jì)[20]。

3) 非合作通信中的特定信號(hào)控守偵察問題。在此類問題中，由于持續(xù)關(guān)注特定目標(biāo)信號(hào)，且前期已對其開展了充分的參數(shù)估計(jì)、樣式分析等工作，因此在后期對同一目標(biāo)信號(hào)進(jìn)行BSS 時(shí)，往往不再關(guān)注其信號(hào)參數(shù)，而將進(jìn)一步嘗試獲取其搭載的調(diào)制信息。

因此，分離系統(tǒng)的輸出形式應(yīng)針對不同的應(yīng)用需求進(jìn)行定制化處理，而非僅限于獲取時(shí)域波形，以便更好地提升分離質(zhì)量和效率。而這一般有助于降低分離難度，同時(shí)拓寬問題解決思路。

綜上，BSS 技術(shù)可以根據(jù)分離系統(tǒng)的應(yīng)用邏輯進(jìn)行分類。一般而言，分離系統(tǒng)的輸出形式應(yīng)該與后續(xù)信號(hào)分析/信息提取中主要關(guān)注的目標(biāo)信號(hào)信息層次和內(nèi)容匹配。當(dāng)目標(biāo)信號(hào)為數(shù)字通信信號(hào)時(shí)，BSS 任務(wù)可根據(jù)分離輸出形式大致分為2 種：波形分離和符號(hào)序列分離。前者指分離系統(tǒng)輸出時(shí)域波形形式的情況，后者則指分離系統(tǒng)直接輸出符號(hào)序列形式的情況。

基于應(yīng)用邏輯的BSS 技術(shù)分類框架如圖3 所示。多通道BSS 算法通?；谛盘?hào)的統(tǒng)計(jì)獨(dú)立性、稀疏性等假設(shè)，對不同類型的信號(hào)具有一定的普適性。這是因?yàn)槎嗤ǖ烙^測提供的信息相對充分，可以在關(guān)于目標(biāo)信號(hào)的弱先驗(yàn)信息的幫助下完成信號(hào)分離。相比之下，SCBSS 算法僅基于單通道觀測，因此需要更強(qiáng)的關(guān)于目標(biāo)信號(hào)本身的先驗(yàn)信息來支持信號(hào)分離。這種先驗(yàn)信息可以作為對單通道觀測條件下缺失的空間信息的補(bǔ)充。因此，在SCBSS中，對目標(biāo)信號(hào)特性的分析和利用更重要。此外，SCBSS 算法在適用的目標(biāo)信號(hào)類型方面具有更強(qiáng)的針對性，但也意味著較難從基于先驗(yàn)信息/假設(shè)角度對SCBSS 算法進(jìn)行系統(tǒng)性的劃分。

圖3 基于應(yīng)用邏輯的BSS 技術(shù)分類框架

本文主要關(guān)注單通道觀測條件下的BSS 問題。根據(jù)新的分類框架，SCBSS 問題可被分為四類子問題，分別為：單通道觀測條件下的多信號(hào)波形分離、單通道觀測條件下的單信號(hào)波形分離、單通道觀測條件下的多信號(hào)符號(hào)序列分離、單通道觀測條件下的單信號(hào)符號(hào)序列分離。綜合前述，可知此四類子問題分別關(guān)注單通道條件下混疊觀測中包含的多個(gè)目標(biāo)信號(hào)時(shí)域波形的分離、某一特定目標(biāo)信號(hào)時(shí)域波形的分離、多個(gè)目標(biāo)信號(hào)符號(hào)序列的直接分離及某一特定目標(biāo)信號(hào)符號(hào)序列的直接分離。

為了滿足不同SCBSS 問題場景下的需求，本文在接下來的內(nèi)容中主要對這四類問題進(jìn)行了深入的分析和總結(jié)，以期為后續(xù)研究提供有益參考。

2.2 SCBSS 技術(shù)研究進(jìn)展

本節(jié)將分別介紹不同分離任務(wù)的現(xiàn)有SCBSS算法，并分析現(xiàn)有研究存在的不足。具體將圍繞以下四類分離任務(wù)展開：多信號(hào)波形分離、單信號(hào)波形分離、多信號(hào)符號(hào)序列分離、單信號(hào)符號(hào)序列分離，并重點(diǎn)關(guān)注針對通信信號(hào)的SCBSS 研究現(xiàn)狀。SCBSS 任務(wù)及其技術(shù)研究情況如圖4 所示。

圖4 SCBSS 任務(wù)及其技術(shù)研究情況

2.2.1多信號(hào)波形分離

如2.1 節(jié)所述，多信號(hào)波形分離的任務(wù)是對混疊觀測中包含的多個(gè)目標(biāo)信號(hào)時(shí)域波形進(jìn)行分離。由于多信號(hào)波形分離可以解決大部分BSS 應(yīng)用場景下的問題，因此是SCBSS 中研究較多的一類分離任務(wù)。目前，已經(jīng)有兩大類SCBSS 算法完成了該分離任務(wù)，分別為基于偽多通道觀測構(gòu)建的算法和基于參數(shù)估計(jì)與波形重構(gòu)的算法。

1) 基于偽多通道觀測構(gòu)建的算法

相對于SCBSS，多通道BSS 算法已經(jīng)較為成熟，尤其是超/正定BSS 的研究。因此，解決SCBSS問題的一種重要思路是通過某種方式構(gòu)建偽多通道觀測，然后利用成熟的多通道BSS 算法實(shí)現(xiàn)多信號(hào)波形分離。

由于相對SCBSS 而言，關(guān)于多通道BSS 尤其是超/正定BSS 的研究已經(jīng)較成熟，故解決SCBSS問題的一類重要思路是首先通過某種途徑基于單通道混疊觀測構(gòu)建偽多通道觀測，隨后借助成熟的多通道BSS 算法實(shí)現(xiàn)多信號(hào)波形分離。

針對時(shí)頻混疊數(shù)字通信信號(hào)的多信號(hào)波形分離，文獻(xiàn)[21]提出了一種將奇異值分解（SVD,singular value decomposition）技術(shù)與獨(dú)立分量分析（ICA,independent component analysis）技術(shù)結(jié)合的方法。其基本思路是通過時(shí)延和SVD 將單通道混疊觀測轉(zhuǎn)換為偽多通道觀測，然后迭代地使用ICA對偽多通道觀測矩陣進(jìn)行處理，最后通過頻譜分析和組合得到多信號(hào)波形分離結(jié)果。然而，該方法存在一些不足之處。首先，對多次ICA 分離結(jié)果的組合依賴人工分析，尤其是在各數(shù)字通信信號(hào)頻譜混疊較嚴(yán)重時(shí)，對分離結(jié)果中分屬于不同信號(hào)的分量較難區(qū)分，容易產(chǎn)生虛假信號(hào)。其次，多次ICA 過程及必需的后期處理使算法整體較煩瑣，且分離結(jié)果可靠性降低。文獻(xiàn)[22]提出了一種逐次提取的方式來分離多個(gè)數(shù)字通信信號(hào)波形。對于每個(gè)目標(biāo)信號(hào)，首先，有針對性地設(shè)計(jì)時(shí)延參數(shù)，并基于時(shí)延將單通道混疊觀測轉(zhuǎn)換為偽多通道觀測；然后，基于ICA 對偽多通道觀測進(jìn)行分離，并對存在冗余的分離結(jié)果進(jìn)行波形及頻譜的人工分析，確定屬于同一目標(biāo)信號(hào)的成分，將其組合得到該目標(biāo)信號(hào)波形分離結(jié)果。然而，該方法對各目標(biāo)信號(hào)載頻差異度要求較高，且對分離結(jié)果的分析及后期處理要求較多的人工干預(yù)，分離可靠性不高。此外，其逐次提取各目標(biāo)信號(hào)的過程較煩瑣，需多次運(yùn)用ICA 算法。文獻(xiàn)[23]提出了一種基于連續(xù)小波變換（CWT,continuous wavelet transform）實(shí)現(xiàn)偽多通道觀測構(gòu)建的方法，利用ICA對偽多通道觀測中的分量進(jìn)行分離，通過頻譜能量門限篩選從ICA 分離結(jié)果中確定與目標(biāo)信號(hào)相關(guān)的部分，作為多信號(hào)波形分離結(jié)果。然而，該方法的不足在于ICA 分離得到的分量數(shù)多于實(shí)際目標(biāo)信號(hào)數(shù)，需要經(jīng)過后期篩選，篩選門限的確定主觀性較強(qiáng)，從而導(dǎo)致其分離結(jié)果可靠性降低。

針對具有恒模特性的時(shí)頻混疊數(shù)字通信信號(hào)波形分離，文獻(xiàn)[24]提出了一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD,ensemble empirical mode decomposition）將單通道混疊觀測分解為初始偽多通道觀測的方法，并通過主成分分析（PCA,principal component analysis）對初始偽多通道觀測進(jìn)行降維，隨后通過多次ICA 對降維后的偽多通道觀測進(jìn)行分離，每次均基于目標(biāo)信號(hào)恒模特性提取分離分量中能量最大的部分作為某一目標(biāo)信號(hào)的波形分離結(jié)果。然而，該方法分離過程較煩瑣，且僅適用于具有恒模特性的數(shù)字通信信號(hào)。為應(yīng)對信號(hào)分量存在能量差異的混疊信號(hào)，文獻(xiàn)[25]通過人工設(shè)置譜相關(guān)系數(shù)和中心頻率雙重門限的方式來添加約束，提出了一種改進(jìn)的EEMD 方法。

文獻(xiàn)[26]在建立偽多通道觀測時(shí)，初步嘗試了貼合目標(biāo)信號(hào)特性的方法。該方法基于數(shù)字通信信號(hào)的自回歸（AR,autoregressive）特性，提出了時(shí)域陣列（TA,temporal array）的概念，實(shí)現(xiàn)了僅基于時(shí)延的偽多通道觀測構(gòu)建。隨后，利用各目標(biāo)信號(hào)間統(tǒng)計(jì)獨(dú)立的特點(diǎn)，直接采用經(jīng)典ICA 算法實(shí)現(xiàn)多信號(hào)波形分離。然而，該算法建立TA 的前提是混疊觀測中各目標(biāo)信號(hào)的載頻不能相同。若混疊觀測中存在載頻相同的情況，該算法的分離性能會(huì)顯著下降，甚至失效。此外，構(gòu)建TA 的時(shí)延矢量對結(jié)果影響較大，需要根據(jù)測試數(shù)據(jù)進(jìn)行人工確定。

從上述總結(jié)分析中可以看出，基于偽多通道觀測構(gòu)建的多信號(hào)波形分離算法存在2 個(gè)關(guān)鍵問題：如何構(gòu)建偽多通道觀測以及如何基于多通道BSS算法分離結(jié)果獲取目標(biāo)信號(hào)波形。然而，現(xiàn)有面向時(shí)頻混疊數(shù)字通信信號(hào)的該類算法在這兩方面存在不足。

首先，在偽多通道觀測的構(gòu)建過程中，現(xiàn)有算法對數(shù)字通信信號(hào)特性的挖掘與利用尚不充分，更多地依賴于通用數(shù)學(xué)工具，如SVD、CWT、EEMD等，導(dǎo)致構(gòu)建過程的物理可解釋性不強(qiáng)且效率較低。因此，構(gòu)建的偽多通道觀測未能很好地?cái)M合實(shí)際多通道觀測，從而導(dǎo)致一般無法基于多通道BSS算法直接實(shí)現(xiàn)多信號(hào)波形分離。

其次，在通過多通道BSS 算法對偽多通道觀測進(jìn)行分離后，分離結(jié)果往往存在冗余，需要依靠額外的人工分析與后期處理才能獲取目標(biāo)信號(hào)波形，使整個(gè)分離過程較煩瑣且分離結(jié)果可靠性降低。對于多個(gè)目標(biāo)信號(hào)波形的分離，一般需要多次運(yùn)用多通道BSS 算法，從而降低了分離效率。

2) 基于參數(shù)估計(jì)與波形重構(gòu)的算法

對于可以基于參數(shù)化模型進(jìn)行精確建模的目標(biāo)信號(hào)，若能獲取其模型參數(shù)，則理論上可以直接對其信號(hào)波形進(jìn)行重構(gòu)。實(shí)現(xiàn)多信號(hào)波形分離的關(guān)鍵在于預(yù)先建立目標(biāo)信號(hào)的準(zhǔn)確參數(shù)化模型。對于通信信號(hào)，由于其具備明確的數(shù)學(xué)表達(dá)形式，因此基于參數(shù)估計(jì)的波形重構(gòu)為時(shí)頻混疊通信信號(hào)的多信號(hào)波形分離提供了另一有效思路。

文獻(xiàn)[27]針對幅度時(shí)變及相位連續(xù)的通信信號(hào)，提出利用三階多項(xiàng)式對目標(biāo)信號(hào)瞬時(shí)相位進(jìn)行擬合，將多信號(hào)波形分離問題轉(zhuǎn)化為多個(gè)相位序列與信道參數(shù)的聯(lián)合估計(jì)問題，并基于逐留存路徑處理（PSP,per-survivor processing）技術(shù)進(jìn)行求解，最后利用相位與信道參數(shù)的估計(jì)值對各個(gè)信號(hào)進(jìn)行重構(gòu)，實(shí)現(xiàn)多信號(hào)波形分離。針對窄帶或慢變化目標(biāo)信號(hào)，文獻(xiàn)[28]提出在短時(shí)間內(nèi)將其建模為單頻信號(hào)，并利用能量算子及差分能量算子對其瞬時(shí)頻率及瞬時(shí)幅度進(jìn)行估計(jì)，并最終重構(gòu)各目標(biāo)信號(hào)。文獻(xiàn)[29]提出了基于時(shí)變系數(shù)自回歸模型對瞬時(shí)頻率變化的非平穩(wěn)信號(hào)進(jìn)行建模，并假設(shè)該模型時(shí)變系數(shù)可由已知基函數(shù)加權(quán)獲取，利用遞歸的方法對該系數(shù)進(jìn)行估計(jì)，并最終對多目標(biāo)信號(hào)波形進(jìn)行重構(gòu)。但上述算法主要適用于對模擬通信信號(hào)的分離，其對于數(shù)字通信信號(hào)尚不具備適用性。文獻(xiàn)[30]提出了一種基于數(shù)據(jù)輔助信道估計(jì)的PSP 方法，通過將長序列分割成多個(gè)片段，選擇檢測可靠性最高的片段拼接在一起，有效應(yīng)對了采樣頻率偏移不相同導(dǎo)致的時(shí)間滑移和符號(hào)滑移問題。

文獻(xiàn)[31]利用時(shí)分多址（TDMA,time division multiple access）移動(dòng)通信系統(tǒng)中參與混疊的數(shù)字通信信號(hào)具有顯著功率差異的特點(diǎn)，提出首先對較大功率信號(hào)進(jìn)行解調(diào)及波形重構(gòu)，隨后從混疊觀測中抵消該重構(gòu)信號(hào)而獲取較小功率信號(hào)波形。該算法在各目標(biāo)信號(hào)功率較接近時(shí)，性能將明顯惡化，因而適用的場景較有限。

2.2.2單信號(hào)波形分離

單信號(hào)波形分離的任務(wù)是從混疊觀測中分離得到某一特定目標(biāo)信號(hào)時(shí)域波形。此時(shí)，除該目標(biāo)信號(hào)外，其余參與混疊的信號(hào)均可被視為干擾。在通信抗干擾、特定信號(hào)檢測等應(yīng)用中，進(jìn)行單信號(hào)波形分離對于高效獲取目標(biāo)信號(hào)、提升分離質(zhì)量均具有重要意義?，F(xiàn)有基于單通道觀測實(shí)現(xiàn)單信號(hào)波形分離的算法主要包括基于廣義譜維納濾波的算法與基于信號(hào)子空間投影的算法。

1) 基于廣義譜維納濾波的算法

為了解決傳統(tǒng)時(shí)/頻域?yàn)V波對于時(shí)頻混疊信號(hào)的失效問題，Hopgood 等[32]提出了廣義譜域的概念。該概念假設(shè)存在某一譜域，使各信號(hào)在其中不存在混疊。在將混疊觀測轉(zhuǎn)換至該譜域后，可基于線性維納濾波分離目標(biāo)信號(hào)。Gardner[33]在該思路的基礎(chǔ)上，假設(shè)各信號(hào)在循環(huán)頻域內(nèi)不存在混疊，利用數(shù)字通信信號(hào)循環(huán)平穩(wěn)特性，提出了一種線性共軛-線性頻移（LCL-FRESH,linear-conjugate-linear frequency shift）濾波器（簡稱FRESH 濾波器），成功實(shí)現(xiàn)了多個(gè)時(shí)頻混疊數(shù)字通信信號(hào)中特定目標(biāo)信號(hào)的分離。其基本原理是通過對混疊觀測的不同頻移分量的濾波結(jié)果進(jìn)行加權(quán)求和，在增強(qiáng)目標(biāo)信號(hào)的頻移分量成分的同時(shí)減弱干擾信號(hào)的頻移分量成分。以目標(biāo)信號(hào)為QPSK 信號(hào)的情況為例，設(shè)其循環(huán)頻率族為ψ={θ1,θ2,…,θr,θr+1,θr+2,…,θl}（前r個(gè)循環(huán)頻率為非共軛循環(huán)頻率，后l-r個(gè)循環(huán)頻率為共軛循環(huán)頻率），則將混疊觀測輸入FRESH 濾波器進(jìn)行單信號(hào)波形分離的過程為

FRESH 濾波器的主要不足在于其對目標(biāo)信號(hào)的先驗(yàn)信息要求較高。具體而言，其要求目標(biāo)信號(hào)循環(huán)頻率族已知且與干擾信號(hào)循環(huán)頻率族不存在重合，同時(shí)需要獲取目標(biāo)信號(hào)波形本身作為訓(xùn)練信號(hào)以對各支路線性時(shí)不變?yōu)V波器系數(shù)進(jìn)行優(yōu)化調(diào)整。這在很大程度上限制了其實(shí)用性，尤其是在非合作通信場景下。為了降低FRESH 濾波器對訓(xùn)練信號(hào)的要求，文獻(xiàn)[34]提出了一種盲自適應(yīng)FRESH（BA-FRESH,blind adaptive FRESH）濾波器，直接以混疊觀測的某一頻移分量取代目標(biāo)信號(hào)本身作為訓(xùn)練信號(hào)，因此相較 FRESH 濾波器而言，BA-FRESH 濾波器實(shí)用性顯著提升。然而，BA-FRESH 濾波器仍要求對目標(biāo)信號(hào)循環(huán)頻率族的精確先驗(yàn)知識(shí)，其性能在循環(huán)頻率存在誤差時(shí)將顯著下降[33]。同時(shí)，BA-FRESH 濾波器在分離性能上較標(biāo)準(zhǔn)的FRESH 濾波器存在一定的差距。

2) 基于信號(hào)子空間投影的算法

除了上述基于廣義譜維納濾波的算法外，還有一種重要的單信號(hào)波形分離技術(shù)思路，即信號(hào)子空間投影。其基本原理是首先基于已有的數(shù)學(xué)變換或基底學(xué)習(xí)過程構(gòu)建子空間基底集，使目標(biāo)信號(hào)與干擾信號(hào)在該基底集張成的子空間內(nèi)盡可能正交；然后，通過將混疊觀測投影到該信號(hào)子空間，實(shí)現(xiàn)單信號(hào)波形分離。

針對通信中抗同信道干擾的問題，文獻(xiàn)[35]基于目標(biāo)信號(hào)符號(hào)速率信息，確定合適的小波基底，使其張成目標(biāo)信號(hào)在小波域內(nèi)的零空間；然后，將混疊觀測投影到該小波基底上，并基于干擾信號(hào)脈沖成形函數(shù)先驗(yàn)信息獲取干擾信號(hào)估計(jì)；最后，通過將干擾信號(hào)估計(jì)結(jié)果從混疊觀測中抵消，實(shí)現(xiàn)目標(biāo)信號(hào)波形分離。需要注意的是，該方法要求目標(biāo)信號(hào)為基帶信號(hào)，且目標(biāo)信號(hào)與干擾信號(hào)符號(hào)速率差異極小，對一般的時(shí)頻混疊數(shù)字通信信號(hào)適用性不強(qiáng)。針對雷達(dá)信號(hào)處理中存在的非平穩(wěn)信號(hào)分離問題，文獻(xiàn)[36]提出了一種基于壓縮感知的單信號(hào)波形分離算法。該算法假設(shè)目標(biāo)信號(hào)可以由傅里葉基底稀疏表示，在通過短時(shí)傅里葉變換（STFT,short time Fourier transform）將混疊觀測投影至?xí)r頻域后，利用目標(biāo)信號(hào)與干擾信號(hào)在時(shí)頻域內(nèi)的正交性及時(shí)頻譜分析技術(shù)將其中包含干擾信號(hào)能量的時(shí)頻點(diǎn)移除，并最終基于壓縮感知對目標(biāo)信號(hào)波形進(jìn)行分離。需要注意的是，該方法要求目標(biāo)信號(hào)與干擾信號(hào)在時(shí)頻域內(nèi)具有較高的正交性，這對于時(shí)頻混疊較嚴(yán)重的數(shù)字通信信號(hào)而言難以成立。

除了上述基于已有通用數(shù)學(xué)變換的基底構(gòu)建方式，還可以通過基于訓(xùn)練數(shù)據(jù)的學(xué)習(xí)過程構(gòu)建更具有針對性的基底集。例如，在語音信號(hào)分離中，文獻(xiàn)[37-39]提出首先以純凈目標(biāo)信號(hào)為訓(xùn)練樣本學(xué)習(xí)“字典”（即基底集），并保證目標(biāo)信號(hào)可在該基底集張成的子空間內(nèi)得到稀疏表示；然后，通過將混疊觀測在所學(xué)得的基底集上進(jìn)行稀疏編碼（SC,sparse coding），即投影在基底集張成的子空間，實(shí)現(xiàn)目標(biāo)信號(hào)波形分離。然而，現(xiàn)有基于訓(xùn)練數(shù)據(jù)進(jìn)行基底學(xué)習(xí)的方法主要存在以下不足：1) 其要求以純凈目標(biāo)信號(hào)作為構(gòu)建基底的先驗(yàn)，這在常見的SCBSS 應(yīng)用場景下難以得到滿足；2) 傳統(tǒng)的字典學(xué)習(xí)算法（如文獻(xiàn)[37]中采用的K-SVD 算法[40]、貪婪自適應(yīng)字典學(xué)習(xí)算法[41]和并行碼字優(yōu)化算法[42]）均需要基于對大量訓(xùn)練樣本的迭代優(yōu)化，一般而言計(jì)算量較大，例如，K-SVD算法需要對全局誤差矩陣進(jìn)行ηK次SVD 運(yùn)算，其中，η為字典更新迭代次數(shù)，K為字典總原子數(shù)；3) 現(xiàn)有算法主要面向語音信號(hào)分離，尚不能較好地適用于數(shù)字通信信號(hào)單信號(hào)波形分離任務(wù)，尤其是如何利用數(shù)字通信信號(hào)的特性提升分離質(zhì)量和分離效率仍然是值得深入研究的問題。文獻(xiàn)[43]提出了一種基于稀疏編碼和模板匹配的單信號(hào)波形分離算法。該算法假設(shè)混疊觀測中存在目標(biāo)信號(hào)單信號(hào)區(qū)域（SSR,single signal region)，首先，基于數(shù)字通信信號(hào)符號(hào)集的有限性，利用SC 實(shí)現(xiàn)目標(biāo)信號(hào)SSR 檢測；然后，直接以SSR 檢測結(jié)果為模板構(gòu)建目標(biāo)信號(hào)子空間基底，通過模板匹配過程實(shí)現(xiàn)混疊觀測非 SSR 部分的目標(biāo)信號(hào)子空間投影，從而完成目標(biāo)信號(hào)波形分離。該算法不依賴純凈目標(biāo)信號(hào)波形的先驗(yàn)信息。但是，由人工參數(shù)設(shè)置的限制，該算法難以應(yīng)對干擾信號(hào)強(qiáng)度較大、環(huán)境噪聲水平變化等場景。文獻(xiàn)[44]則基于數(shù)字通信信號(hào)的AR 特性，提出了一種基于字典學(xué)習(xí)及約束條件下稀疏編碼的單信號(hào)波形分離算法。該算法同樣假設(shè)混疊觀測中存在目標(biāo)信號(hào)的SSR，通過偽多通道觀測構(gòu)建和基于信息論準(zhǔn)則的信號(hào)個(gè)數(shù)估計(jì)實(shí)現(xiàn)SSR 檢測；然后，以SSR 檢測結(jié)果為訓(xùn)練樣本，利用經(jīng)典DL 技術(shù)構(gòu)建目標(biāo)信號(hào)子空間基底；最后，通過在傳統(tǒng)SC 中加入目標(biāo)信號(hào)特性約束項(xiàng)的CSC 過程實(shí)現(xiàn)混疊觀測非SSR 部分的目標(biāo)信號(hào)子空間投影，從而完成目標(biāo)信號(hào)波形分離。該算法同樣不需要純凈目標(biāo)信號(hào)波形的先驗(yàn)信息，同時(shí)人工參數(shù)明顯減少。但是，當(dāng)混疊信號(hào)中不存在SSR 時(shí)，這2 種算法的性能會(huì)急劇下降，且二者的處理過程較煩瑣。

綜合以上分析可以看出，現(xiàn)有實(shí)現(xiàn)單信號(hào)波形分離的SCBSS 算法主要存在以下不足。

首先，現(xiàn)有算法對目標(biāo)信號(hào)的先驗(yàn)信息依賴較強(qiáng)，例如，F(xiàn)RESH 濾波器中對目標(biāo)信號(hào)循環(huán)頻率甚至信號(hào)波形的先驗(yàn)要求，以及基于字典學(xué)習(xí)與SC 的算法中對純凈目標(biāo)信號(hào)訓(xùn)練樣本的要求。在實(shí)際應(yīng)用中，這些先驗(yàn)信息難以得到充分滿足，尤其是在非合作通信條件下，這限制了現(xiàn)有算法的實(shí)用性。

其次，現(xiàn)有算法中基于字典學(xué)習(xí)構(gòu)建基底集的過程計(jì)算復(fù)雜度較高，需要研究更高效的基底集構(gòu)建方式。

最后，現(xiàn)有算法尚未充分挖掘發(fā)揮目標(biāo)信號(hào)特性在單信號(hào)波形分離中的作用，需要針對數(shù)字通信信號(hào)開發(fā)更具有針對性、更高效的分離算法。

2.2.3多信號(hào)符號(hào)序列分離

多信號(hào)符號(hào)序列分離的任務(wù)是對混疊觀測中包含的多個(gè)目標(biāo)信號(hào)符號(hào)序列進(jìn)行直接估計(jì)。這種任務(wù)通常出現(xiàn)在數(shù)字通信信號(hào)的分離中。當(dāng)前完成這一分離任務(wù)的主流思路是對多信號(hào)參數(shù)、信道參數(shù)及符號(hào)序列進(jìn)行聯(lián)合估計(jì)，具體采用的技術(shù)主要包括粒子濾波（PF,particle filtering）與PSP。

粒子濾波是指通過確定一組在狀態(tài)空間中傳播的隨機(jī)樣本來近似地表示概率密度函數(shù)p(xn|zn)，其中，xn為系統(tǒng)在n時(shí)刻的狀態(tài)，zn為n時(shí)刻的觀測，通過計(jì)算樣本均值來代替積分運(yùn)算，進(jìn)而獲得對系統(tǒng)狀態(tài)的最小方差估計(jì)的過程，這些隨機(jī)樣本被形象地稱為“粒子”[45]。其具體數(shù)學(xué)過程如下。對于一個(gè)平穩(wěn)隨機(jī)過程，設(shè)n-1時(shí)刻系統(tǒng)的后驗(yàn)概率密度為p(xn-1|zn-1)，在n時(shí)刻可對選取的k個(gè)粒子進(jìn)行觀測及狀態(tài)更新，并假設(shè)更新后k個(gè)粒子的后驗(yàn)概率密度為p(xn|zn)。隨著粒子數(shù)目的增加，粒子的后驗(yàn)概率密度將逐漸趨近系統(tǒng)狀態(tài)的真實(shí)概率密度，PF將可達(dá)到最優(yōu)貝葉斯估計(jì)的效果[46]。針對符號(hào)速率相同的兩數(shù)字通信信號(hào)的符號(hào)序列估計(jì)問題，文獻(xiàn)[47]引入PF 技術(shù)，首先對單通道混疊觀測進(jìn)行符號(hào)速率采樣，將兩目標(biāo)信號(hào)符號(hào)序列與信道參數(shù)等作為狀態(tài)變量進(jìn)行聯(lián)合建模；經(jīng)過粒子重要性采樣及權(quán)值更新，對狀態(tài)變量后驗(yàn)概率分布進(jìn)行估計(jì)，以符號(hào)序列后驗(yàn)概率分布期望為多信號(hào)符號(hào)序列估計(jì)結(jié)果。文獻(xiàn)[48]進(jìn)一步對文獻(xiàn)[47]算法在數(shù)學(xué)上進(jìn)行了完善，使粒子重要性采樣及權(quán)值更新的公式更完備準(zhǔn)確。但早期基于PF 的多信號(hào)符號(hào)序列估計(jì)方法受限于各目標(biāo)信號(hào)符號(hào)速率相同的場景。針對符號(hào)速率不同的兩數(shù)字通信信號(hào)符號(hào)序列估計(jì)問題，文獻(xiàn)[49]對單通道混疊觀測的建模進(jìn)行調(diào)整優(yōu)化，給出了新模型下的狀態(tài)空間轉(zhuǎn)移方程，并推導(dǎo)了信號(hào)符號(hào)速率不同條件下的重要性采樣及權(quán)值更新公式，實(shí)現(xiàn)了各目標(biāo)信號(hào)符號(hào)速率不同場景下的多信號(hào)符號(hào)序列估計(jì)。除此之外，為解決基本PF 中難以避免的粒子數(shù)匱乏問題，研究者還提出了諸多改進(jìn)PF 算法[50-52]，以進(jìn)行更高質(zhì)量的重采樣。

但實(shí)際應(yīng)用中，由于需基于大量粒子才能實(shí)現(xiàn)對系統(tǒng)狀態(tài)后驗(yàn)概率密度的良好近似，故PF 主要受限于其極高的計(jì)算復(fù)雜度。為建立更高效、更具實(shí)用性的問題解決框架，文獻(xiàn)[53]針對符號(hào)速率相同的兩四相相移鍵控（QPSK,quadrature phase shift keying）信號(hào)的符號(hào)序列估計(jì)問題，首次提出了基于PSP 的解決方案。該方法仍基于目標(biāo)信號(hào)符號(hào)序列與信道參數(shù)聯(lián)合估計(jì)的思路，主要包括基于最小均方（LMS,least mean square）準(zhǔn)則的參數(shù)更新及判決反饋?；赑SP 算法的多信號(hào)符號(hào)序列估計(jì)技術(shù)提出后引發(fā)廣泛關(guān)注，研究者在文獻(xiàn)[53]基礎(chǔ)上提出了一系列改進(jìn)算法。例如，為降低截?cái)嘈诺罌_激響應(yīng)對PSP 算法性能的影響，文獻(xiàn)[54]提出基于Viterbi 檢測獲取預(yù)判決，并以其為基礎(chǔ)合成信道沖激響應(yīng)尾部造成的符號(hào)串?dāng)_。針對兩高斯最小頻移鍵控（GMSK,Gaussian minimum shift keying）信號(hào)的符號(hào)序列估計(jì)問題，Wu 等[20]提出將目標(biāo)信號(hào)特性約束項(xiàng)引入傳統(tǒng)LMS 算法中，有效提升了PSP 算法收斂速度及符號(hào)序列估計(jì)質(zhì)量。文獻(xiàn)[55]在基本PSP 算法基礎(chǔ)上，分析了采用“判決-反饋”序列估計(jì)技術(shù)對符號(hào)序列估計(jì)性能的影響，并通過優(yōu)化采樣時(shí)刻提升了基本PSP 算法性能。文獻(xiàn)[56]在原有PSP 算法的基礎(chǔ)上，通過跟蹤或估計(jì)載波殘余帶來的相位變化，提升了其在存在載波殘余條件下的性能。在此，將兩目標(biāo)信號(hào)混疊場景下的基本PSP 算法步驟歸納如下[53]。

步驟1將經(jīng)符號(hào)速率采樣的單通道混疊觀測建模為

步驟5在步驟3 和步驟4 經(jīng)過充分迭代后（一般是符號(hào)序列候選路徑已延伸至觀測結(jié)束時(shí)刻），最終選擇總體最優(yōu)的符號(hào)序列候選路徑，作為目標(biāo)信號(hào)符號(hào)序列估計(jì)結(jié)果。

從式(5)可以看出，PSP 算法采用聯(lián)合估計(jì)的方式對多個(gè)目標(biāo)信號(hào)符號(hào)序列進(jìn)行估計(jì)，即各目標(biāo)信號(hào)符號(hào)序列的估計(jì)是相互耦合且相互影響的。在度量各符號(hào)序列延伸分支時(shí)，PSP 算法基于所有目標(biāo)信號(hào)下一可能符號(hào)的組合來進(jìn)行，這個(gè)組合數(shù)等于所有目標(biāo)信號(hào)可能符號(hào)數(shù)的乘積，即調(diào)制階數(shù)的乘積。這意味著，在每一步更新中，需要考慮的分支數(shù)與目標(biāo)信號(hào)數(shù)及目標(biāo)信號(hào)調(diào)制階數(shù)都有關(guān)，而且隨著它們的增加呈指數(shù)級增長。因此，盡管PSP 算法相對于PF 算法來說計(jì)算得到簡化，但在目標(biāo)信號(hào)數(shù)較多或調(diào)制階數(shù)較高的情況下，PSP 算法的計(jì)算復(fù)雜度仍然很高。另一方面，現(xiàn)有的PSP 算法只能應(yīng)對各目標(biāo)信號(hào)符號(hào)速率相同的場景，對于各目標(biāo)信號(hào)符號(hào)速率不同的多信號(hào)符號(hào)序列估計(jì)問題，PSP 算法尚不能有效解決，這極大地限制了其實(shí)用性。

除了基于PF 及PSP 的算法外，還有一些基于數(shù)字通信信號(hào)特性或其他先驗(yàn)信息的多信號(hào)符號(hào)序列估計(jì)算法，適用于目標(biāo)信號(hào)被限定為（準(zhǔn)）基帶信號(hào)的特殊場景。例如，文獻(xiàn)[57]通過對混疊觀測進(jìn)行過采樣并矩陣化，利用目標(biāo)信號(hào)脈沖成形函數(shù)先驗(yàn)信息，提出了直接通過矩陣求逆的方式求解各目標(biāo)信號(hào)符號(hào)序列的方法。文獻(xiàn)[58]針對目標(biāo)信號(hào)為二元基帶信號(hào)的特殊場景，提出了基于非監(jiān)督聚類及目標(biāo)信號(hào)二元取值特性的混疊系數(shù)估計(jì)方法，并基于混疊系數(shù)估計(jì)結(jié)果利用LMS 算法對多信號(hào)符號(hào)序列進(jìn)行估計(jì)。文獻(xiàn)[59]針對具備有限字符特性的基帶信號(hào)，首先基于混疊觀測差分直方圖進(jìn)行混疊系數(shù)估計(jì)，然后以最小重構(gòu)誤差為準(zhǔn)則對目標(biāo)信號(hào)可能符號(hào)組合進(jìn)行遍歷搜索，實(shí)現(xiàn)多信號(hào)符號(hào)序列估計(jì)。需要注意的是，上述算法僅適用于基帶通信信號(hào)，對于一般時(shí)頻混疊數(shù)字通信信號(hào)的適用性有限。

綜上所述，現(xiàn)有單通道觀測條件下的多信號(hào)符號(hào)序列估計(jì)算法主要在以下方面存在不足。

1) 現(xiàn)有主流基于模型的多信號(hào)符號(hào)序列估計(jì)算法（PF、PSP）均采用多信號(hào)符號(hào)序列聯(lián)合估計(jì)的思路。這一思路決定其計(jì)算復(fù)雜度將隨目標(biāo)信號(hào)數(shù)及調(diào)制階數(shù)的增長呈指數(shù)級增長，在參與混疊目標(biāo)信號(hào)數(shù)較多或目標(biāo)信號(hào)調(diào)制階數(shù)較高的場景下，其算法實(shí)用性將因較低的計(jì)算效率而受到限制，尤其是基于PF 的多信號(hào)符號(hào)序列估計(jì)算法將因極高的計(jì)算復(fù)雜度而難以適用。

2) 現(xiàn)有基于PSP 的多信號(hào)符號(hào)序列估計(jì)算法在對目標(biāo)信號(hào)參數(shù)的適應(yīng)能力方面存在不足，主要是不能應(yīng)對各目標(biāo)信號(hào)符號(hào)速率不同的場景，導(dǎo)致其實(shí)用性受限。

2.2.4單信號(hào)符號(hào)序列分離

單信號(hào)符號(hào)序列分離是基于混疊觀測對其中包含的某一特定數(shù)字通信信號(hào)的符號(hào)序列進(jìn)行估計(jì)的過程。與單信號(hào)波形分離類似，這一分離任務(wù)主要出現(xiàn)在通信抗干擾等應(yīng)用場合。如前文所述，現(xiàn)有進(jìn)行目標(biāo)信號(hào)符號(hào)序列估計(jì)的單通道BSS 算法多采用聯(lián)合估計(jì)的方式，即耦合的同時(shí)估計(jì)多個(gè)目標(biāo)信號(hào)符號(hào)序列，尚沒有單獨(dú)對某一特定目標(biāo)信號(hào)符號(hào)序列進(jìn)行估計(jì)的傳統(tǒng)模型算法。對此類算法的研究對于高效、高質(zhì)量地獲取某一受干擾目標(biāo)信號(hào)符號(hào)序列具有重要意義。

3 人工智能與SCBSS

本文第2 節(jié)中所述算法都是基于對目標(biāo)信號(hào)、信道等先驗(yàn)信息建立的數(shù)學(xué)模型，因此屬于基于模型的方法。與之不同的是，深度學(xué)習(xí)是一種數(shù)據(jù)驅(qū)動(dòng)技術(shù)，依靠的是深度神經(jīng)網(wǎng)絡(luò)對輸入/輸出端數(shù)據(jù)間的復(fù)雜映射關(guān)系的強(qiáng)大建模能力，而不是基于先驗(yàn)信息建立數(shù)學(xué)模型。DNN 作為一種以數(shù)據(jù)驅(qū)動(dòng)為主的網(wǎng)絡(luò)結(jié)構(gòu)，由輸入層、多個(gè)隱藏層和輸出層等組成，通過隱藏層的特征學(xué)習(xí)實(shí)現(xiàn)輸入和輸出的實(shí)時(shí)轉(zhuǎn)換。目前，研究者已經(jīng)開發(fā)了許多 DNN 架構(gòu)，包括卷積神經(jīng)網(wǎng)絡(luò)（CNN,convolutional neural network）[60]、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN,recurrent neural network）[61]、自注意力（SA,self-attention）網(wǎng)絡(luò)[62]等。

對于SCBSS 技術(shù)而言，DL 提供了一種離線訓(xùn)練的模型優(yōu)化模式，以代替?zhèn)鹘y(tǒng)的在線更新優(yōu)化模式。這種新穎的方法利用網(wǎng)絡(luò)訓(xùn)練的方式學(xué)習(xí)輸入信號(hào)到信號(hào)高質(zhì)量恢復(fù)結(jié)果的精確映射。網(wǎng)絡(luò)輸入數(shù)據(jù)可以是直接接收的混疊信號(hào)波形數(shù)據(jù)，也可以是經(jīng)過后處理提取的信號(hào)特征序列。目前，基于數(shù)據(jù)驅(qū)動(dòng)的SCBSS 可分為2 種，一種是基于數(shù)據(jù)驅(qū)動(dòng)的SCBSS，另一種是模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的SCBSS。

3.1 基于數(shù)據(jù)驅(qū)動(dòng)的SCBSS

完全基于數(shù)據(jù)驅(qū)動(dòng)的SCBSS 旨在特定域（時(shí)域、頻域、時(shí)頻域等）內(nèi)實(shí)現(xiàn)混疊信號(hào)中期望信號(hào)的端到端分離。分離后的信號(hào)形式可以是波形序列，也可以是解調(diào)后的符號(hào)序列。該方法的優(yōu)點(diǎn)在于它可以自適應(yīng)地學(xué)習(xí)信號(hào)的特征，從而提高分離效果。

針對多信號(hào)波形分離問題，目前基于數(shù)據(jù)驅(qū)動(dòng)的SCBSS 大多采用“編碼器-分離器-解碼器”的分離架構(gòu)，其處理思路與傳統(tǒng)基于偽多通道觀測建構(gòu)的算法相似。首先，通過一個(gè)淺層編碼器網(wǎng)絡(luò)將單通道混疊觀測變換至高維表示；然后，分離器利用深層網(wǎng)路建模該高維表示獲取各個(gè)期望信號(hào)的表示，并完成期望信號(hào)在高維空間的分離；最后，通過解碼器將高維表示變換回時(shí)域，實(shí)現(xiàn)時(shí)域上端到端的多波形分離。例如，文獻(xiàn)[63]首次將全卷積時(shí)域語音分離網(wǎng)絡(luò)（Conv-TasNet,full convolutional time-domain audio separation network）[64]和雙路徑循環(huán)神經(jīng)網(wǎng)絡(luò)（DPRNN,dual-path recurrent neural network）[65]應(yīng)用于SCBSS 領(lǐng)域，并提出了2 種SCBSS算法：基于Stacked-TCN 的SSCBSS 算法[66]和基于Stacked-LSTM 的SSCBSS 算法[67]。在不考慮頻偏、相偏和定時(shí)偏差的情況下，這2 種SCBSS 算法均成功地完成了由BPSK、8PSK、16QAM、64QAM和PAM4 這5 種調(diào)制類型信號(hào)組成的10 種兩兩線性瞬時(shí)混合的混疊信號(hào)在時(shí)域上的端到端信號(hào)波形恢復(fù)任務(wù)。這初步驗(yàn)證了Conv-TasNet 和DPRNN在通信信號(hào)SCBSS 領(lǐng)域應(yīng)用的適用性。文獻(xiàn)[68]通過加深“編碼器”以及添加通道注意力模塊提出了一種改進(jìn)的Conv-TasNet 方法，在BPSK 和QPSK兩類調(diào)制信號(hào)混疊而成的數(shù)據(jù)集上取得了一定的性能增益。文獻(xiàn)[69]提出了一種聯(lián)合CNN 和雙向長短期記憶（Bi-LSTM,bidirectional long short-term memory）網(wǎng)絡(luò)的SCBSS 方法，能夠有效地分離由雷達(dá)、通信及干擾信號(hào)三類信號(hào)組成的混疊觀測?；殳B觀測中包括4 個(gè)信號(hào)，分別是2 個(gè)帶寬不同的LFM 信號(hào)、一個(gè)BPSK 通信信號(hào)和一個(gè)SMSP 干擾信號(hào)，這些信號(hào)在時(shí)頻域上具有明顯的差別。該方法的提出為雷達(dá)和通信信號(hào)分離領(lǐng)域帶來了新的思路和方法。文獻(xiàn)[70]提出了一種基于注意力機(jī)制的端到端深度分離網(wǎng)絡(luò)（ETEAMSN,end-to-end deep separation network based on the attention mechanism），該網(wǎng)絡(luò)主要由帶殘差連接的注意力卷積單元組成。ETEAMSN 能夠有效地分離由調(diào)制類型相同或者不同的期望信號(hào)組成的混疊信號(hào)，當(dāng)信噪比（SNR,signal to noise ratio）為22 dB 時(shí)，成功地分離了BPSK/BPSK、QPSK/QPSK、BPSK/QPSK、BPSK/8PSK 和QPSK/8PSK 混合信號(hào)。但是，該網(wǎng)絡(luò)無法有效地分離由高階調(diào)制信號(hào)組成的混疊信號(hào)，如8QAM/8QAM 和8PSK/8PSK。隨著信號(hào)調(diào)制階數(shù)的增加，分離性能下降明顯，而且分離性能容易受到期望信號(hào)之間的相對時(shí)延和相對能量比的影響。當(dāng)時(shí)延相差較小或能量比相差較大時(shí)，分離性能下降明顯。

針對多個(gè)同信道數(shù)字通信信號(hào)符號(hào)序列估計(jì)問題，文獻(xiàn)[71]提出了一種基于CNN 的深度卷積網(wǎng)絡(luò)解調(diào)器（DCND,deep convolutional network demodulator），其含兩層CNN。在DCND 中，將單通道混疊觀測直接輸入CNN 中，以網(wǎng)絡(luò)分類層輸出作為多信號(hào)符號(hào)序列估計(jì)結(jié)果。該方法的不足之處在于，由于輸入為原始混疊觀測，未經(jīng)過特征提取等預(yù)處理，因此在對某一目標(biāo)信號(hào)符號(hào)序列進(jìn)行估計(jì)時(shí)，仍將在相當(dāng)程度上受到來自其他信號(hào)的干擾。這使該算法不能很好地應(yīng)對各目標(biāo)信號(hào)功率差異較顯著的場景，因?yàn)楣β瘦^大的目標(biāo)信號(hào)將對其余目標(biāo)信號(hào)的符號(hào)序列估計(jì)帶來較嚴(yán)重的干擾。

文獻(xiàn)[72]針對PCMA 信號(hào)，提出了一種基于反向傳播（BP,back propagation）神經(jīng)網(wǎng)絡(luò)的SCBSS方法。該方法首先構(gòu)造包含不同比特信息的樣本波形（3 個(gè)符號(hào))；然后截取每個(gè)樣本在末尾符號(hào)不同時(shí)的時(shí)頻圖；最后將時(shí)頻圖的特征數(shù)據(jù)作為輸入數(shù)據(jù)，每個(gè)樣本中前2 個(gè)比特序列作為訓(xùn)練的輸出數(shù)據(jù)，網(wǎng)絡(luò)對這些數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練，直至完成分離模型的構(gòu)建。在測試時(shí)，對PCMA 信號(hào)數(shù)據(jù)的時(shí)頻圖進(jìn)行窗口截?cái)啵缓笏腿胗?xùn)練好的模型實(shí)現(xiàn)比特序列的恢復(fù)。該算法的復(fù)雜度比PSP 算法低，但損失了精度。

文獻(xiàn)[73]針對兩路QPSK 信號(hào)混疊的信號(hào)，提出了一種基于RNN 的SCBSS 分離網(wǎng)絡(luò)。該網(wǎng)絡(luò)包含兩層RNN 層和一層全連接層，將符合序列檢測視為分類任務(wù)，將混疊信號(hào)輸入訓(xùn)練好的網(wǎng)絡(luò)得到期望信號(hào)符號(hào)序列預(yù)測。與傳統(tǒng)PSP 算法相比，該算法在計(jì)算復(fù)雜度降低的同時(shí)，取得了更好的性能，但其性能易受信號(hào)參數(shù)（時(shí)延差、相移差、采樣率等）影響。

文獻(xiàn)[74]將符號(hào)序列估計(jì)建模為序列標(biāo)注問題，基于RNN 實(shí)現(xiàn)序列標(biāo)注，構(gòu)建了可進(jìn)行多信號(hào)符號(hào)序列并行估計(jì)的單輸入-多輸出（SIMO,single-input multi-output）符號(hào)序列估計(jì)器。與DCND 直接以單通道混疊觀測為輸入不同，該方法首先基于單通道觀測進(jìn)行并行符號(hào)序列估計(jì)特征（FPSSE,feature for parallel symbol sequence estimation）提取，主要包括差分運(yùn)算及特定時(shí)刻抽取，以獲取分別包含各目標(biāo)信號(hào)符號(hào)信息的特征序列。在對基于RNN 的符號(hào)序列估計(jì)器的離線訓(xùn)練及在線測試中，均以該特征序列為對各目標(biāo)信號(hào)符號(hào)序列進(jìn)行估計(jì)的網(wǎng)絡(luò)輸入。與現(xiàn)有基于模型的多信號(hào)符號(hào)序列估計(jì)算法不同，該方法采用的是多信號(hào)符號(hào)序列并行獨(dú)立估計(jì)的思路，而非多信號(hào)符號(hào)序列聯(lián)合估計(jì)，因此其計(jì)算復(fù)雜度不隨目標(biāo)信號(hào)數(shù)的增加而指數(shù)級增長。同時(shí)，其突破了PSP 算法對目標(biāo)信號(hào)符號(hào)速率關(guān)系的限制，可以適用于各目標(biāo)信號(hào)符號(hào)速率相同或不同的場景。此外，由于通過FPSSE 提取抑制了各目標(biāo)信號(hào)相互間的干擾，在各目標(biāo)信號(hào)功率差異較顯著的情況下，估計(jì)性能較DCND 具有顯著優(yōu)勢。但該方法存在以下不足：1) 各個(gè)期望信號(hào)的FPSSE 提取需要各個(gè)信號(hào)滿足符號(hào)速率不同或者速率相同但存在相對時(shí)延；2) FPSSE 提取易受成形濾波器類型的影響，碼間串?dāng)_的存在會(huì)使在沒有符號(hào)速率、信號(hào)調(diào)制類型等先驗(yàn)信息下提取的FPSSE 表征能力下降，且隨著期望信號(hào)數(shù)量的增多，碼間干擾逐漸嚴(yán)重。

針對單信號(hào)符號(hào)序列估計(jì)問題，文獻(xiàn)[75]從通信抗干擾的典型場景出發(fā)，主要關(guān)注對所提取特征中干擾信號(hào)成分的抑制，尤其是實(shí)際中常見的強(qiáng)窄帶干擾信號(hào)。與文獻(xiàn)[74]相似，其仍將符號(hào)序列估計(jì)建模為序列標(biāo)注問題，并基于RNN 實(shí)現(xiàn)序列標(biāo)注，構(gòu)建了可進(jìn)行特定目標(biāo)信號(hào)符號(hào)序列估計(jì)的單輸入-單輸出（SISO,single-input single-output)符號(hào)序列估計(jì)器。該方法通過特定時(shí)刻抽取與差分運(yùn)算，基于混疊觀測提取了一種抗干擾符號(hào)序列估計(jì)特征（IRFSSE,interference-robust feature for symbol sequence estimation)，然后基于RNN 完成了典型的通信抗干擾場景下特定信號(hào)符號(hào)序列的估計(jì)任務(wù)。但該方法除了存在與文獻(xiàn)[74]方法相似的缺陷外，還需要滿足干擾信號(hào)存在時(shí)間遠(yuǎn)小于期望信號(hào)，僅考慮了窄帶干擾信號(hào)的場景，方法普適性較差。

3.2 模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的SCBSS

與傳統(tǒng)基于模型驅(qū)動(dòng)的SCBSS 算法不同，另一種方法是將模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的SCBSS 方法。這種方法將SCBSS 模型中的矩陣求逆和參數(shù)優(yōu)化等計(jì)算壓力轉(zhuǎn)移到數(shù)據(jù)驅(qū)動(dòng)層面，利用數(shù)據(jù)驅(qū)動(dòng)的計(jì)算效率高的優(yōu)勢，用其替代傳統(tǒng)BSS 方法中計(jì)算復(fù)雜度高或優(yōu)化難的處理模塊，以此降低算法總體計(jì)算復(fù)雜度。同時(shí)，簡化模型優(yōu)化和參數(shù)選取過程，以提高算法整體性能。

文獻(xiàn)[76]提出了一種基于 BP 神經(jīng)網(wǎng)絡(luò)的PCMA 信號(hào)盲分離模型，該方法利用預(yù)處理模塊指導(dǎo)神經(jīng)網(wǎng)絡(luò)批處理梯度算法訓(xùn)練過程，進(jìn)而聯(lián)合神經(jīng)網(wǎng)絡(luò)分離模塊與最優(yōu)路徑判決模塊實(shí)現(xiàn)PCMA信號(hào)有效分離，相較于傳統(tǒng)PSP 算法需遍歷兩路發(fā)送符號(hào)重構(gòu)信號(hào)的過程，該算法僅需遍歷一路發(fā)送符號(hào)用于重構(gòu)信號(hào)，具有復(fù)雜度低的特點(diǎn)。文獻(xiàn)[77]為解決傳統(tǒng)PSP算法無法準(zhǔn)確跟蹤信道而導(dǎo)致的后續(xù)序列符號(hào)恢復(fù)效果差的問題，針對PCMA 信號(hào)，提出了一種基于RNN 的信道插值與估計(jì)算法。該算法利用最小二乘（LS,least square）算法計(jì)算出導(dǎo)頻符號(hào)處的信道初始估計(jì)值；然后，將其送入RNN得到信道插值估計(jì)值；最后，通過最大似然序列估計(jì)（MLSE,maximum likelihood sequence estimation）信號(hào)分離算法得到兩路信號(hào)的符號(hào)估計(jì)值。與傳統(tǒng)信道插值估計(jì)方法相比，該方法在計(jì)算復(fù)雜度降低的同時(shí)，取得了更好的估計(jì)性能。

4 結(jié)束語

4.1 挑戰(zhàn)與解決思路

綜上所述，無論是基于數(shù)據(jù)驅(qū)動(dòng)的SCBSS 技術(shù)，還是模型驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的SCBSS 技術(shù)，在改善信號(hào)恢復(fù)性能、提高計(jì)算效率、降低模型優(yōu)化難度等問題上都具有顯著的優(yōu)勢。然而，深度學(xué)習(xí)本身可解釋性較差，其進(jìn)行信號(hào)建模分析的邏輯類似于黑盒。再加上現(xiàn)有算法尚未充分挖掘發(fā)揮目標(biāo)信號(hào)特性，對信號(hào)分離背后對應(yīng)的機(jī)理問題并未完全解決。因此，盡管基于數(shù)據(jù)驅(qū)動(dòng)的SCBSS方法在分離效果上有明顯的優(yōu)勢，但是很容易陷入過擬合，面對新數(shù)據(jù)針對新情景的分離效果往往不盡如人意。這也限制了基于深度學(xué)習(xí)的SCBSS 方法向?qū)嶋H應(yīng)用系統(tǒng)的轉(zhuǎn)化。

針對此類問題，現(xiàn)階段主要有3 種解決思路。

1) 深度學(xué)習(xí)聯(lián)合傳統(tǒng)基于模型的SCBSS，利用深度學(xué)習(xí)強(qiáng)大的數(shù)據(jù)表示能力，將其作為自適應(yīng)模塊替代傳統(tǒng)方法中某些需要大量人工設(shè)置的環(huán)節(jié)，以提升算法性能。此時(shí)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)屬于淺層網(wǎng)絡(luò)，具有清晰的數(shù)學(xué)計(jì)算可解釋性。

2) 深度學(xué)習(xí)聯(lián)合人工知識(shí)庫，即利用專家知識(shí)去掉干擾信息，剝離出特定信號(hào)的知識(shí)規(guī)則，通過對學(xué)習(xí)過程添加知識(shí)規(guī)則約束，引導(dǎo)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)可解釋的信號(hào)知識(shí)。

3) 深度學(xué)習(xí)聯(lián)合信號(hào)特性，數(shù)字通信信號(hào)具有良好的數(shù)學(xué)建模邏輯，其特有的信號(hào)特性（如自回歸特性、周期性、獨(dú)立性、稀疏性等）可作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的依據(jù)，聯(lián)合信號(hào)特性構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)具有清晰的計(jì)算邏輯，為網(wǎng)絡(luò)學(xué)習(xí)過程提供機(jī)理支撐。

總體而言，數(shù)據(jù)驅(qū)動(dòng)與模型驅(qū)動(dòng)協(xié)同驅(qū)動(dòng)的SCBSS 方案將更具實(shí)際應(yīng)用價(jià)值。通過數(shù)據(jù)驅(qū)動(dòng)技術(shù)挖掘數(shù)據(jù)含義，以數(shù)據(jù)打破模型局限，學(xué)習(xí)潛在規(guī)律，激發(fā)內(nèi)生智慧；同時(shí)，結(jié)合模型驅(qū)動(dòng)，克服數(shù)據(jù)困境，以模型補(bǔ)償數(shù)據(jù)不足，定量刻畫系統(tǒng)，促進(jìn)分離性能提升。數(shù)據(jù)/模型聯(lián)合驅(qū)動(dòng)的處理示意如圖5 所示。此外，與以往的端對端方法相比，結(jié)合信號(hào)特性來提高基于深度學(xué)習(xí)的SCBSS 系統(tǒng)性能的思路對信號(hào)分析和機(jī)理理解都提出了更高的要求。

圖5 數(shù)據(jù)/模型聯(lián)合驅(qū)動(dòng)處理示意

4.2 發(fā)展趨勢分析

SCBSS 問題經(jīng)過多年的研究，相關(guān)的技術(shù)應(yīng)用逐步成熟?，F(xiàn)階段，傳統(tǒng)的SCBSS 算法在很大程度上依賴于期望信號(hào)的部分或全部先驗(yàn)信息，且其涉及的信號(hào)種類、建模的分析角度、依據(jù)的理論知識(shí)也各不相同。然而，隨著通信技術(shù)的發(fā)展，新體制信號(hào)層出不窮，用頻設(shè)備數(shù)量爆炸式增長，接入設(shè)備的多樣化，電磁環(huán)境將更加復(fù)雜，實(shí)現(xiàn)期望信號(hào)有效分離的難度越來越大。因此，今后SCBSS技術(shù)的相關(guān)方法，特別是信號(hào)的先驗(yàn)信息獲取方法、新體制信號(hào)的建模方法和多源信號(hào)的聯(lián)合建模方法，仍需要深入研究以下幾個(gè)方面。

4.2.1智能SCBSS 模型

智能學(xué)習(xí)的方法能夠在一定程度上擺脫對專家知識(shí)的依賴，改變傳統(tǒng)的人工預(yù)定義處理流程，實(shí)現(xiàn)自動(dòng)學(xué)習(xí)SCBSS 模型，從而提高分離方法的適應(yīng)能力。利用DL 方法建模電磁信號(hào)中蘊(yùn)含的數(shù)字通信信號(hào)特性信息，未來能在SCBSS 問題上發(fā)揮更大的作用。然而，目前基于數(shù)據(jù)驅(qū)動(dòng)的SCBSS方法在智能化、自動(dòng)化分離數(shù)字通信信號(hào)方面還處于嘗試摸索階段。特別是如何結(jié)合專家經(jīng)驗(yàn)和數(shù)字通信信號(hào)本身的特性，更好地發(fā)揮智能計(jì)算的優(yōu)勢，真正實(shí)現(xiàn)穩(wěn)定有效的分離模型學(xué)習(xí)等問題需要更加細(xì)致深入的研究。

4.2.2模型方法的綜合利用

目前存在大量不同種類的模型，但單一模型的適用范圍和表征能力有限，不同模型的關(guān)注點(diǎn)和側(cè)重點(diǎn)也存在差異。因此，綜合利用多種模型的方法可以從更多的角度刻畫目標(biāo)信號(hào)特性，為SCBSS問題提供更全面的信息。在SCBSS 領(lǐng)域中，模型的綜合利用不僅包括模式識(shí)別中的多模型融合問題，更強(qiáng)調(diào)對信號(hào)的理解和認(rèn)識(shí)，發(fā)揮不同種類SCBSS 模型對目標(biāo)信號(hào)特性不同角度刻畫能力的優(yōu)勢。這既避免了冗余，又防止了缺漏。針對SCBSS 問題，未來多模型綜合利用的基本思路應(yīng)該以提高SCBSS 模型對不同信號(hào)的適應(yīng)能力、增強(qiáng)對特定信號(hào)的針對性、促進(jìn)原有模型的優(yōu)勢互補(bǔ)為出發(fā)點(diǎn)。換句話說，今后SCBSS 的相關(guān)研究應(yīng)該在定義和提取新模型的同時(shí)，提高對原有優(yōu)異模型的利用。

4.2.3模型適應(yīng)性和擴(kuò)展性

目前，大部分模型只能適應(yīng)有限的信號(hào)類型，而且其適用范圍和條件并不明確。當(dāng)出現(xiàn)新的信號(hào)形式時(shí)，通常需要結(jié)合專家知識(shí)進(jìn)行模型的篩選和摸索，但面對新的場景，原有的識(shí)別效果往往會(huì)大打折扣，甚至失效。如今，電磁環(huán)境日益復(fù)雜，雷達(dá)通信乃至物聯(lián)網(wǎng)設(shè)備信號(hào)的類型和樣式不斷增多，這考驗(yàn)著SCBSS 模型的適應(yīng)性和擴(kuò)展性。此外，SCBSS 模型的邊界特性同樣值得關(guān)注。隨著SCBSS 技術(shù)的應(yīng)用越來越廣泛，對SCBSS 模型也提出了越來越高的要求。無論是依賴專家知識(shí)人工定義，還是基于數(shù)據(jù)驅(qū)動(dòng)技術(shù)自動(dòng)學(xué)習(xí)，未來的SCBSS 技術(shù)模型需要向更加精細(xì)化、智能化、復(fù)雜化和深層次的方向發(fā)展。