无监督源分离涉及通过混合运算符记录一组未知的源信号,对源的事先了解有限,并且仅访问信号混合物数据集。 这个问题本身就不成立,并且受到行星空间飞行任务时间序列数据中来源所展示的各种时间尺度的进一步挑战。 因此,需要一种系统化的多尺度无监督方法,以在不同时间尺度上确定和分离来源。 现有方法通常依赖于预先选择的窗口大小,该窗口大小决定了它们的运行时间尺度,限制了它们处理多尺度源的能力。 为了解决这个问题,我们提出了一个无监督的多尺度聚类和源分离框架,通过利用小波散射光谱,提供随机过程的低维表示,能够区分不同的非高斯随机过程。 嵌套在这个表示空间内,我们开发了一个因子变异自动编码器,该自动编码器被训练成在不同时间尺度的概率聚类源。 为了执行源分离,我们使用通过因子变异自动解码器获得的多个时间尺度的簇样本作为先验信息,并在小波散射光谱表示空间中产生优化问题。 当应用于NASA InSight火星任务期间记录的整个地震数据集时,包含时间尺度差异很大的源,我们的方法将这些不同的来源分开,例如,一分钟长的瞬态单侧脉冲(称为“故障”)和大气活动产生的结构化环境噪声,通常持续数十分钟,并提供了对孤立源进行进一步调查的机会。