MUSIC（多信号分类）算法是在Schmidt, Ralph 中介绍的。“多发射器位置和信号参数估计。” IEEE 关于天线和传播的交易 34.3 (1986): 276-280。

该算法的一个重要部分是从样本自相关矩阵中区分特征值（$R_{N}=\frac{1}{N}\sum{XX^{H}}$) 分为两组：噪声特征值和信号特征值。

特征值绘制如下。一些非平凡的信号特征值和许多平凡的（零或接近于零）噪声特征值：

上图来自Quinlan、Angela 等人的论文。“短数据的模型阶数选择：指数拟合检验 (EFT)。” EURASIP J. Adv. 签名。过程。2007 (2007): n. 页。. 该论文讲述了如何区分信号特征值和噪声特征值。作者使用指数拟合测试（EFT），这并不简单，但似乎很有效。

另一方面，我在Python和MATLAB中找到了 MUSIC 算法的两种实现。有趣的是，他们使用了非常简单的方法：计算相邻特征值之间的差异（即斜率）并找到最大差异的索引。然后，噪声特征值的索引大于最大差异的索引。

直观地说，EFT 可以与最大差值法相吻合。但是，这只是一种直觉，并不包括分析或推理。

用最大差分法区分信号特征值和噪声特征值可以吗？如果是或不是，有什么好的解释呢？