基于特征函数张量分解的欠定MIMO识别工具箱

资 源 简 介

本项目构建了一套完整的MATLAB算法库，专门致力于解决欠定MIMO（多输入多输出）系统的盲辨识与源分离难题。核心方法论基于统计信号处理，利用接收信号的二类特征函数（Second Characteristic Function）来生成包含信号高阶统计特性的多维张量，从而有效利用数据的高阶信息。在算法实现层面，项目深度集成了多种张量分解优化策略，特别是将Levenberg-Marquardt（LM）算法与交替最小二乘法（ALS）相结合，用于求解张量的Canonical Polyadic (CP) 分解。这种结合利用了ALS的快速迭代特性和LM算法在非线性最小二乘问题中的高稳健性，显著提高了在低信噪比及欠定条件（源信号数量多于接收传感器数量）下混合矩阵估计的精度和收敛速度。此外，项目还包含了数据预处理模块、张量构建模块以及性能评估模块，能够输出误码率、信干噪比等关键指标，适用于无线通信、阵列信号处理等领域的复杂盲源分离场景。

详 情 说 明

基于特征函数张量分解的欠定MIMO系统识别工具箱

项目简介

本项目构建了一套完整的MATLAB算法库，专注于解决欠定MIMO（多输入多输出）系统的盲辨识与源分离难题。不同于传统的二阶统计量方法，本项目基于统计信号处理理论，利用接收信号的二类特征函数（Second Characteristic Function, SCF）生成包含高阶统计特性的四阶累积量张量。

针对欠定盲源分离（源信号数量多于传感器数量）的挑战，项目核心采用了 Levenberg-Marquardt (LM) 算法与交替最小二乘法 (ALS) 相结合的混合优化策略，用于求解张量的 Canonical Polyadic (CP) 分解。这种设计旨在利用ALS的快速迭代特性和LM算法在非线性最小二乘问题中的高稳健性，实现对混合矩阵的高精度估计。

功能特性

• 欠定系统支持：专为源信号数量大于传感器数量（$N > M$）的场景设计，演示了4个源信号和3个传感器的配置。
• 高阶张量构建：基于二类特征函数计算四阶累积量张量，有效抑制高斯噪声并提取非高斯信号特征。
• 混合优化算法：集成LM算法与ALS算法，通过阻尼因子和交替精细搜索策略，提高低信噪比下的收敛速度和估计精度。
• 完整通信链路仿真：包含QPSK信号生成、复数信道混合、加性高斯白噪声（AWGN）、盲辨识与信号恢复的全过程。
• 多维性能评估：提供误符号率（SER）、Amari系数（混合矩阵估计误差）、信干比（SIR）等关键指标计算。

系统要求

• MATLAB R2016a 或更高版本
• 无需额外工具箱（代码通过基础矩阵运算实现）

算法实现与逻辑详解

本项目的主程序完整实现了从数据生成到结果可视化的全流程，具体逻辑如下：

1. 系统初始化与参数配置

程序首先定义了系统的拓扑结构，默认设定源信号数量为4，传感器数量为3。通过配置信噪比（SNR）、最大迭代次数、收敛阈值以及LM算法的初始阻尼因子，为后续的仿真提供环境参数。

2. 信号生成与混合观测

• 源信号：生成具有非高斯特性的QPSK调制信号，满足独立性假设，且适用于高阶统计量分析。
• 混合矩阵：随机生成复数混合矩阵，并对列向量进行归一化处理，以消除幅度的缩放模糊性。
• 信道模型：模拟线性时不变的瞬时混合模型，并叠加指定功率的高斯白噪声。
• 预处理：对接收到的观测数据进行去均值处理。

3. 基于SCF的张量构建

这是算法的核心数据预处理步骤。程序通过自定义函数计算观测信号的四阶累积量张量。

• 利用二类特征函数的导数性质，计算四阶矩。
• 从四阶矩中减去由二阶矩（协方差矩阵 R 和 U）构成的高斯分量，从而得到纯净的四阶累积量。
• 构建出的张量维度为 $M times M times M times M$，包含源信号方向的关键几何信息。

4. 混合LM-ALS张量分解

程序调用混合优化解算器对构建的张量进行CP分解：

• 目标：寻找最佳的因子矩阵以逼近观测张量。
• 混合策略：结合ALS（交替最小二乘）进行快速子空间搜索，并定期穿插LM（Levenberg-Marquardt）步进以利用阻尼因子处理病态条件或陷入局部极小值的情况。
• 模糊性消除：分解完成后，通过列排列匹配算法，消除盲辨识固有的排列模糊和相位模糊，以便与真实混合矩阵进行对比。

5. 源分离与波形恢复

在获得混合矩阵的估计值后，程序尝试恢复源信号：

• 欠定恢复策略：演示了基于伪逆（Least Squares）的初步恢复方法。虽然在欠定条件下伪逆无法完全解耦信号，但在高信噪比下能反映恢复趋势。
• 硬判决：针对QPSK信号特性，对初步恢复的连续信号进行星座图投影和硬判决，以计算误符号率。

6. 性能评估与可视化

程序最后输出详细的量化指标和图表：

• Amari Index：量化估计的混合矩阵与真实矩阵之间的差异（以dB为单位）。
• SIR (Signal-to-Interference Ratio)：计算恢复信号后的平均信干比。
• SER (Symbol Error Rate)：基于硬判决结果计算误符号率。

可视化图表包括：

1. 收敛曲线：展示拟合误差随迭代次数下降的趋势。
2. 混合矩阵对比：分别展示实部和虚部的真实值与估计值的系数匹配情况。
3. 星座图：绘制前3个源信号的软估计散点、硬判决结果与原始星座点的对比，直观展示分离效果。

使用方法

直接运行主脚本即可启动仿真。控制台将实时打印各阶段的处理进度，包括张量构建完成提示、算法迭代过程、最终的误码率和混合矩阵估计精度。运行结束后，会自动弹出包含六个子图的综合结果窗口。