A Lightweight Complex-Valued CNN with Complex Squeeze-and-Excitation Attention for Single-Channel Blind Source Separation of Co-Frequency Communication Signals
本文提出了一种轻量级的、具有235K参数的复值卷积神经网络（CNN），该网络采用一种新颖的复数挤压与激励（Complex Squeeze-and-Excitation）模块，在显著减小模型规模并保留相位信息的同时，针对共频通信信号实现了具有竞争力的单通道盲源分离性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在我们周围无形的空气中，无线电波承载着我们的对话、数据和指令。通常，这些信号在相同的频率上传输，像拥挤房间里的声音一样相互重叠。几十年来，工程师们一直致力于解决当只能通过单天线进行监听时，如何解开这些混合信号的难题。这是一个特别棘手的谜题，因为这些信号不仅仅是随机的噪声；它们是带有特定模式编码的结构化信息，而且当它们到达时的音调几乎完全一致时，传统的分类方法往往会失效。挑战在于，如何从这单一且混乱的信息流中，在事先不知道原始信号特征的情况下，将它们重新分离成最初的、截然不同的来源。
一个研究小组通过教计算机一种全新的听觉方式来应对这一问题。他们没有将无线电波视为简单的上下波动曲线，而是设计了一个能够理解信号为复杂数值对的系统，同时捕捉波形的时刻与相位。他们构建了一个紧凑且高效的神经网络——一种通过实例进行学习的人工智能——来执行分离任务。其设计的核心创新在于一个类似于“智能音量旋钮”的机制，用于调节信号的不同部分。这个“注意力”模块会观察整个混合信号，判断哪些部分是重要的，并在保持微妙的时间关系的同时对其进行放大。结果显示，该系统规模极小，仅需传统任务所需计算能力的极小部分，却能以媲美大型复杂系统的清晰度实现信号分离。
研究人员在一个极具挑战性的场景下测试了他们的成果：两个通信信号几乎完美重叠，频率差异仅为极微小的赫兹。他们模拟了四种不同类型的数字信号混合物（从简单到高度复杂），并将它们输入模型。这个拥有约23.5万个可调参数的系统，在大多数尝试中都成功解开了信号。以原始信息恢复程度作为衡量标准，新模型达到了约2.31分贝的得分。虽然这个数字听起来很小，但对于如此规模的系统而言，这是一项显著的成就。它的表现几乎与一个参数量是其三倍之多的更大型、更成熟的模型不相上下，并且比其他在面对困难混合物时容易产生静默输出的小型模型表现得更为稳定。
最令人惊叹的发现之一是，当信号几乎完全相同时，系统的行为表现如何。在许多情况下，类似的系统会彻底失效，陷入只能产生噪声的状态。然而，这种新设计表现出了更强的韧性。通过使用一种特定的权重分配方法来衡量不同信号特征的重要性，它在大多数训练运行中避免了这种失效模式。研究人员还发现，该系统具有良好的泛化能力；即使在针对频率差异极小的信号进行训练后，它仍能分离频率稍大的信号，甚至在面对训练中从未见过的完全相同频率的信号时，依然表现稳健。
这项研究还探讨了该领域的一个常见问题：系统需要将信号的实部和虚部视为独立的实体，还是可以将它们结合处理？研究人员测试了不同的组合方式，发现最简单的方法——即使用单个实值权重来调整信号强度——与更复杂的方法同样有效。这表明，对于这项特定任务而言，最重要的因素是了解信号应该有多响，而不是试图以复杂的方式旋转其相位。该系统在标准硬件上运行迅速，使其成为便携式设备或软件定义无线电（空间和电力受限场景）的理想候选方案。
最终，这项工作证明了通过精心设计的微型神经网络，可以解决通常需要庞大计算资源的问题。研究人员并未声称已为所有可能的情况完美解决了该问题，也没有暗示其方法在所有测试中都具有统计学上的优越性。相反，他们展示了一种轻量级、保持相位特征的方法提供了一条实用且高效的路径。通过保持系统的精简与专注，他们创造了一个足够强大的工具来应对重叠无线电信号的复杂现实，证明了有时最有效的解决方案并非规模最大的那个，而是倾听最仔细的那一个。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。