Phân tách mù dưới điều kiện không xác định của các nguồn không rời nhau trong miền thời gian-tần số

Bài báo này xem xét việc phân tách mù các nguồn không ổn định trong trường hợp không xác định, khi số nguồn nhiều hơn số cảm biến. Một khung tổng quát cho vấn đề này là làm việc trên các nguồn mà có tính phân tán trong một miền biểu diễn tín hiệu nào đó. Gần đây, hai phương pháp đã được đề xuất liên quan đến miền thời gian-tần số (TF). Phương pháp đầu tiên sử dụng các phân phối thời gian-tần số bậc hai (TFDs) và một phương pháp phân cụm, và phương pháp thứ hai sử dụng một TFD tuyến tính. Cả hai phương pháp này đều giả định rằng các nguồn là tách biệt trong miền TF; tức là, có tối đa một nguồn có mặt tại một điểm trong miền TF. Trong bài báo này, chúng tôi nới lỏng giả định này bằng cách cho phép các nguồn có thể không hoàn toàn tách biệt trong miền TF đến một mức độ nhất định. Cụ thể, số lượng nguồn có mặt tại một điểm nhỏ hơn số lượng cảm biến. Việc phân tách vẫn có thể đạt được nhờ vào việc chiếu subspace cho phép chúng tôi xác định các nguồn có mặt và ước lượng các giá trị TFD tương ứng của chúng. Đặc biệt, chúng tôi đề xuất hai thuật toán dựa trên subspace cho các nguồn không tách biệt trong TF: một sử dụng TFD bậc hai và một sử dụng TFD tuyến tính. Một đóng góp khác của bài báo này là quy trình ước lượng mới cho ma trận trộn. Cuối cùng, hiệu suất số học của các phương pháp đã đề xuất được cung cấp, làm nổi bật sự gia tăng hiệu suất của chúng so với các phương pháp hiện có.