编辑推荐：
本文综述了卫星通信中抗干扰接收的前沿研究。针对高功率干扰导致射频前端非线性失真、使传统线性干扰消除方法失效的问题，文章创新性地将双接收机直接序列扩频（DSSS）抗干扰问题建模为复基带中的非线性盲源分离（BSS）问题。作者提出了一种时域分离器，结合了多尺度卷积前端和Transformer编码器，并采用包含监督预训练和仅混合信号盲微调的两阶段训练策略。该方法在高达15 dB的干信比（JSR）条件下显著提升了期望信号的尺度不变信噪比（SI-SNR），并将分离失败率（SI-SNR < 0 dB）从60.7%大幅降低至2.3%，为在复杂非线性失真和典型卫星链路损伤（如多普勒/载波频率偏移、相位噪声、多径等）环境下实现鲁棒的抗干扰接收提供了高效框架。
引言
卫星通信与全球导航卫星系统（GNSS）等直接序列扩频（DSSS）链路为导航、广播、应急响应及物联网（IoT）回传等提供广域连接。然而，无线信道的开放性及期望信号的极低接收功率使得此类链路极易受到有意干扰和无意识道干扰的影响。干扰形式多样，可以是窄带（如多音）、宽带、突发性或时频捷变的，且可能出现在高干信比（JSR）条件下。传统的对抗措施包括DSSS处理、自适应陷波滤波、时频切除或消隐以及干扰消除。当存在多天线通道时，空间滤波和波束赋形可进一步增强抑制。然而，这些技术的有效性依赖于复基带观测信号可近似为期望信号与干扰在线性叠加的假设。在实际接收机中，高功率阻塞信号可能驱动射频（RF）前端组件（如低噪声放大器、可变增益放大器、混频器等）进入非线性工作区，产生谱再生和互调产物，使线性模型失效。因此，需要从非线性盲源分离（BSS）的角度来处理抗干扰接收问题。
相关研究
传统卫星与GNSS接收机抗干扰方法可大致分为波形级韧性、解扩前的频谱切除或自适应滤波，以及可利用多天线的空间滤波。当空间分集可用时，空时自适应处理（STAP）是最有效的防御手段之一。盲源分离（BSS）及独立成分分析（ICA）为干扰抑制提供了无需标注训练目标的预处理框架，但多数经典BSS技术假设近似线性、瞬时混合和有利的源统计特性。非线性混合和非线性盲源分离则研究了后非线性（PNL）模型等，以应对接收机射频前端失真带来的非线性混合问题。近年来，深度学习，特别是基于Transformer的分离器，在长序列建模方面显示出强大能力，为通信混合信号中的干扰抑制提供了新思路。然而，现有许多神经方法仍假设线性混合，或依赖仅含幅度的时频表示而丢弃相位信息，或在真实卫星接收场景中难以获得密集标注的干净参考信号。
问题阐述与信号模型
本文考虑一个多观测接收机场景，其中期望的DSSS波形和干扰信号在通过一个无记忆非线性前端联合失真后，再加入加性噪声。分离器以来自Nr个接收机的堆叠同相/正交（I/Q）观测作为输入，而在指定的参考接收机上定义监督目标。分离器并不直接处理复数值张量，而是将所有接收机观测转换为堆叠的实值I/Q张量Y ∈ ℝ2Nr× T作为网络输入。文中的合成双接收机混合生成流程如图1所示。
提出的分离框架与训练协议
本文提出了一种基于Transformer的非线性源分离框架，用于双接收机DSSS抗干扰。该框架在从复基带观测导出的堆叠实值I/Q张量上操作，并在指定的参考接收机上联合估计期望的DSSS信号和干扰信号。分离器结合了一个多尺度卷积前端和一个Transformer编码器。训练遵循两阶段协议。第一阶段在有标注的合成非线性混合信号上进行监督预训练，这些混合信号包含了多音和突发干扰、多普勒/载波频率偏移（CFO）、相位噪声、多径以及无记忆三次非线性。通过高JSR过采样和JSR感知的损失重加权，进一步提高了在高JSR条件下的鲁棒性。第二阶段执行仅混合信号的盲微调，用于领域自适应，其通过强制执行非线性重构一致性和鼓励源分离同时保持波形完整性的通信先验来实现。在这里，“盲”意味着在部署和第二阶段自适应期间，分离器只能访问混合观测，而不能访问干净的源参考。监督学习仅用于第一阶段在合成标注数据上的预训练，以获得鲁棒的初始化。
实验结果与讨论
在包含1000个测试混合信号（JSR从-5到15 dB，信噪比（SNR）从15到25 dB，三次系数a ∈ [0, 0.5]）的数据集上，所提出的方法将期望信号的尺度不变信噪比（SI-SNR）从混合基线的-4.79 dB提升到监督预训练后的13.32 dB，再提升到仅混合信号盲微调后的17.73 dB。在同一测试集上，失败率（SI-SNR < 0 dB）从60.7%降至2.3%。诊断评估还使用了百分位数和失败率等分布指标。实验结果表明，该方法在处理高JSR、非线性失真及典型卫星链路损伤方面表现出色。
结论
本文提出了一种用于双接收机DSSS抗干扰的、基于Transformer的非线性盲源分离框架。该工作将非线性射频前端失真下的多观测DSSS抗干扰问题表述为复基带中的非线性BSS问题，使用堆叠I/Q观测作为输入，并在指定的参考观测通道上应用监督。所开发的时间域分离器处理从复基带观测导出的堆叠I/Q表示，并利用多尺度卷积前端和Transformer编码器联合估计期望信号和干扰。引入的两阶段训练协议包括在合成非线性混合信号上的监督预训练，以及基于非线性重构一致性和通信先验的仅混合信号盲微调。通过高JSR过采样和JSR感知的每样本损失重加权，增强了在严重干扰下的鲁棒性。广泛的评估证实了该方法在提升分离性能（SI-SNR）和降低失败率方面的有效性，为在具有挑战性的非线性卫星接收环境中实现可靠的抗干扰提供了一条有希望的途径。
