深度学习Stacked-TCN提升空间混叠信号单通道盲源分离精度

本文主要探讨了"基于Stacked-TCN的空间混叠信号单通道盲源分离方法"，由赵孟晨、姚秀娟、王静和董苏惠四位作者合作完成。研究背景是针对空间互联网星地通信中的混叠信号分离精度问题，这是一个关键领域的挑战，因为准确地从多个混杂信号源中分离出独立的信号对于有效通信至关重要。 Stacked Time Domain Convolutional Network (Stacked-TCN) 是一种深度学习技术，特别适用于处理时间序列数据，它通过多层结构提高了对复杂信号特征的捕捉能力。在这个方法中，作者利用Stacked-TCN的递归和并行特性，设计了一种有效的算法来处理空间混叠信号，这种信号的特点可能是频率重叠或者有共同的时间基模。单通道盲源分离的目标是仅凭借一个信号通道，通过算法学习和分离原始信号源，避免了传统多通道方法所需的额外硬件资源。 文章首先介绍了混叠信号的问题及其在空间互联网通信中的重要性，然后详细阐述了Stacked-TCN的工作原理和在混叠信号处理中的应用。研究过程可能包括数据预处理、模型训练和性能评估，可能使用了交叉验证等方法来优化模型参数和验证分离效果。 提交给《系统工程与电子技术》杂志的稿件在2020年10月12日收到，经过录用定稿、排版定稿和整期汇编定稿等阶段后，于2021年3月2日网络首发。这表明该研究符合学术界的标准，具有创新性、科学性和先进性，并严格遵循了出版法规和语言文字规范。网络首发的意义在于确保了研究成果的及时传播，并且一旦发布，除非按照编辑规范进行微调，否则论文的题目、作者、机构和学术内容将保持不变。 由于《中国学术期刊（网络版）》作为正规的电子出版物，其网络首发的录用定稿被视为正式出版，这进一步提升了论文的权威性和公信力。本文的研究成果为解决空间互联网通信中的混叠信号分离问题提供了一种新颖且实用的方法，有望推动该领域的发展。