针对卫星接收机前端非线性失真的Transformer-Based非线性盲源分离抗干扰技术研究

《Sensors》：Optimized Haptic Feedback and Natural Prehension System for Robotics and Virtual Reality Applications Eve Hirel, Odin Le Morvan, Marwan Mahdouf, Prune Picot, Matteo Quinquis and Christophe Delebarre

卫星通信与全球导航卫星系统（GNSS）直序扩频（DSSS）链路在高功率干扰下，其射频（RF）前端易进入非线性工作区，传统线性抗干扰方法失效。为解决此问题，本文提出了一种基于Transformer的非线性盲源分离（BSS）框架。该框架利用多接收机堆叠I/Q观测，通过两阶段训练（有监督预训练与仅混合信号盲微调），联合估计期望DSSS信号与干扰。在干扰信号比（JSR）高达15 dB的测试中，尺度不变信噪比（SI-SNR）提升至17.73 dB，失败率（SI-SNR < 0 dB）从60.7%降至2.3%。该方法为存在RF前端非线性失真的卫星抗干扰接收提供了高鲁棒性的解决方案。

　　

在广阔的天地间，卫星信号如同微弱的耳语，为我们提供导航、通信和物联网（IoT）回程等服务。然而，这些至关重要的链接却异常脆弱。一方面，开放的无线媒介和极低的接收功率使其极易受到恶意干扰或无意的同信道干扰；另一方面，当高功率的干扰信号涌入接收机时，射频（RF）前端的放大器、混频器等组件可能被“逼入”非线性工作区。这就像一个音量过大的声音让音响产生了失真，传统的、基于信号线性叠加假设的抗干扰手段（如陷波、对消、空时自适应处理）在此刻会集体失灵，因为失真会产生新的频谱分量，将干扰能量“折叠”进期望信号的频带，导致信号捕获、解扩和检测性能急剧恶化。

为了攻克这一难题，一篇发表在《Sensors》上的研究，将这一挑战重新定义为“非线性盲源分离”问题，并引入深度学习领域强大的Transformer模型，提出了一种针对双接收机DSSS信号的非线性抗干扰新框架。这项研究的意义在于，它跳出了线性模型的局限，直面实际硬件中的非线性失真，为在严峻干扰环境下保持卫星链路的可用性和连续性提供了全新的、鲁棒性更强的思路。

为了开展这项研究，作者团队构建了一个包含多接收机观测的合成信号生成管道。他们采用了两阶段训练策略：首先，在有标签的合成非线性混合信号上进行有监督预训练，这些合成数据模拟了多音/突发干扰、多普勒/载波频偏（CFO）、相位噪声、多径等多种卫星链路损伤及无记忆三次非线性；其次，设计了一个基于非线性重构一致性和通信先验的、仅使用混合信号的盲微调阶段，用于领域自适应。模型的核心是一个处理堆叠I/Q张量的时间域分离器，它结合了多尺度卷积前端和Transformer编码器，能够联合估计期望信号和干扰。

3. 信号模型与问题表述

研究首先建立了包含期望DSSS信号、干扰信号、信道损伤（多普勒/CFO、相位噪声、多径）以及无记忆三次非线性的复合基带信号模型。分离器的输入并非复数值张量，而是将所有接收机观测的实部（I）和虚部（Q）堆叠而成的实值I/Q张量。研究将此设定为一个非线性盲源分离问题，其“盲”体现在部署和第二阶段微调时，分离器只能接触到混合观测，而无法获得干净的源信号参考。

4. 提出的分离框架与训练协议

研究提出的框架主要包含以下部分：1) 对复基带观测进行堆叠I/Q表示，构建网络输入；2) 设计一个包含多尺度卷积前端和Transformer编码器的时间域分离器；3) 实施两阶段训练协议。第一阶段为有监督预训练，并采用了高JSR过采样和JSR感知的损失重加权来提升模型在强干扰下的鲁棒性。第二阶段为仅混合信号的盲微调，通过强制非线性重构一致性（即估计出的源信号经过相同的非线性函数混合后，应能近似重建出原始观测）和引入鼓励波形完整性的轻量级通信先验，来细化分离器，使其适应实际部署场景。

5. 实验结果与讨论

在包含1000个测试混合信号（JSR从-5到15 dB，SNR从15到25 dB，非线性系数a∈[0,0.5]）的数据集上，该方法取得了显著效果。具体结果如下：

• •
  分离性能提升：经过有监督预训练，期望信号的尺度不变信噪比（SI-SNR）从混合基线的-4.79 dB提升至13.32 dB；经过仅混合信号盲微调后，进一步提升至17.73 dB。
• •
  失败率大幅降低：在相同测试集上，失败率（SI-SNR < 0 dB）从基线模型的60.7%急剧下降至2.3%。
• •
  高JSR鲁棒性：通过高JSR过采样和损失重加权机制，模型在高达15 dB的JSR条件下仍能保持有效的分离能力。
• •
  与基线方法对比：研究将所提方法与混合信号基线、经过有监督训练的分离器进行了对比，结果表明两阶段训练策略显著优于单纯的有监督训练，特别是在高JSR和强非线性条件下。

研究结论与意义

本研究成功地将非线性盲源分离（BSS）范式与先进的Transformer架构相结合，针对卫星DSSS接收中的非线性抗干扰问题，提出并验证了一个有效的解决方案。主要结论包括：1) 将存在RF前端非线性失真的抗干扰问题表述为非线性BSS问题是可行且有效的；2) 基于堆叠I/Q表示和Transformer的分离器，能够有效处理长期依赖和复杂干扰模式；3) 所设计的两阶段训练协议（有监督预训练 + 仅混合信号盲微调）是实现高鲁棒性和部署适应性的关键，其中盲微调阶段降低了对大量干净标签数据的依赖。

这项研究的重要意义在于，它为解决实际卫星接收机中因强干扰导致前端非线性工作、进而使传统线性方法失效的这一长期痛点，提供了一种数据驱动的、端到端的学习框架。该框架不仅显著提升了在严峻干扰条件下的信号分离性能与链路鲁棒性，其“仅混合信号”的微调能力也使其更贴近实际部署中难以获取干净信号标签的现实。这为下一代高鲁棒卫星通信与导航接收机的设计提供了新的技术路径。