FlowSep-RF: Rectified Flow Matching for Single-Channel Radio-Frequency Signal Separation

📄 arXiv: 2610.20269v1 📥 PDF

作者: Mohamed Kamel, Tamer Nadeem

分类: eess.SP, cs.LG

发布日期: 2026-10-14

备注: 5 pages. Preprint. Under review

💡 一句话要点

提出FlowSep-RF以解决单通道射频信号分离问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 射频信号分离 干扰缓解 机器学习 信号处理 深度学习

📋 核心要点

  1. 现有方法在处理结构化非高斯干扰时存在局限性，无法有效分离重叠的射频信号。
  2. FlowSep-RF通过学习接收混合信号到目标信号的干净传输，结合时域和频域特征，实现高效分离。
  3. 实验结果表明，FlowSep-RF在多种干扰设置下的平均BER和MSE均优于传统和生成基线，表现出显著提升。

📝 摘要（中文）

单通道射频（RF）信号分离在信号重叠时对于干扰缓解至关重要。传统的匹配滤波和LMMSE接收器在结构化非高斯干扰下存在局限，而扩散和基于分数的方法通常需要迭代采样或优化。本文提出FlowSep-RF，一个通过学习从接收混合信号到目标信号的干净端点传输的框架。该模型结合了时域IQ样本与频域特征，并通过一次端点速度评估恢复分离波形。在QPSK与OFDM-BPSK、OFDM-QPSK和RFChallenge CommSignal2干扰的混合信号上进行评估，FlowSep-RF在所有三种设置中实现了最低的平均比特错误率（BER）和均方误差（MSE），并且只需一步推理。

🔬 方法详解

问题定义：本文旨在解决单通道射频信号分离问题，尤其是在信号重叠和干扰情况下，现有方法如匹配滤波和LMMSE在处理结构化非高斯干扰时效果不佳。

核心思路：FlowSep-RF的核心思路是通过学习从接收的混合信号到目标信号的干净端点传输，利用时域IQ样本与频域特征的结合，进行高效的信号分离。

技术框架：该方法的整体架构包括接收信号的特征提取、端点传输学习和波形恢复三个主要模块。首先提取时域和频域特征，然后通过学习的传输模型进行信号分离，最后恢复出清晰的目标波形。

关键创新：FlowSep-RF的创新点在于其通过一次端点速度评估实现信号分离，这与传统方法需要多次迭代采样或优化的方式形成鲜明对比，显著提高了效率。

关键设计：在模型设计中，采用了特定的损失函数来优化传输学习过程，并且在网络结构上结合了时域和频域的特征，以增强模型的分离能力。具体的参数设置和网络架构细节在实验部分进行了详细描述。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

在实验中，FlowSep-RF在QPSK与OFDM-BPSK、OFDM-QPSK和RFChallenge CommSignal2干扰的混合信号上表现出色，平均比特错误率（BER）和均方误差（MSE）均低于所有对比基线，显示出显著的性能提升，且仅需一步推理，极大提高了处理效率。

🎯 应用场景

该研究在无线通信、雷达信号处理和电子战等领域具有广泛的应用潜力。通过有效分离重叠信号，FlowSep-RF能够提高信号质量，降低干扰，进而提升通信系统的可靠性和效率。未来，该方法可能在更复杂的信号环境中得到进一步应用和优化。

📄 摘要（原文）

Single-channel radio-frequency (RF) signal separation is important for interference mitigation when a signal of interest overlaps with a co-channel interferer in time and frequency. Classical matched filtering and LMMSE receivers are limited under structured non-Gaussian interference, while diffusion and score-based methods often require iterative sampling or optimization. We propose FlowSep-RF, a rectified flow matching framework that learns a clean-endpoint transport from the received mixture to the signal of interest. The model combines time-domain IQ samples with frequency-domain features and recovers the separated waveform using one endpoint velocity evaluation. We evaluate FlowSep-RF on QPSK mixtures with OFDM-BPSK, OFDM-QPSK, and RFChallenge CommSignal2 interference against classical, discriminative, and generative baselines. FlowSep-RF achieves the lowest average BER and MSE among evaluated baselines across all three settings with one-step inference.