⚡ electrical engineering

Estimation of Electrical Characteristics of Complex Walls Using Deep Neural Networks

تقترح هذه الورقة البحثية وتتحقق من صحة إطار عمل للتعلم العميق، يستخدم شبكات عصبية مفردة ومزدوجة مدربة على بيانات محاكاة، لتقدير الخصائص الكهربائية للجدران المعقدة غير المتجانسة بدقة من المجالات الكهربائية المشتتة عريضة النطاق من جانب واحد، محققةً دقة تقارب 95% في فك الارتباط بين تأثيرات الجدار وبصمات الرادار.

المؤلفون الأصليون: Kainat Yasmeen, Shobha Sundar Ram

نُشر 2026-02-13

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Kainat Yasmeen, Shobha Sundar Ram

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تقف أمام جدار سميك وغامض. خلف هذا الجدار، قد يوجد شخص، أو قطعة أثاث، أو غرفة مخفية. لديك رادار خاص يطلق موجات غير مرئية باتجاه الجدار لـ "يرى" ما خلفه.

لكن هناك مشكلة: الجدار فوضوي.

تماماً كما تشوه النافذة المتسخة رؤيتك للحديقة بالخارج، فإن هذا الجدار يفسد إشارات الرادار. فهو يعكسها، ويمتصها، ويحنيها. وبحلول الوقت الذي ترتد فيه الإشارة إلى رادارك، تكون قد تحولت إلى فوضى مشوشة ومربكة. لا يمكنك التمييز بين ما إذا كان "الشبح" الذي تراه هو شخص حقيقي أم مجرد خدعة من الجدار.

لإصلاح ذلك، تحتاج إلى معرفة مكونات الجدار بدقة: ما مدى سمكه؟ هل هو من الطوب، أم الخشب، أم الخرسانة؟ هل هو رطب (موصل للكهرباء) أم جاف؟

هذه الورقة البحثية تتحدث عن تعليم الكمبيوتر كيف يصبح محققاً ذكياً جداً في كشف الجدران باستخدام أداة تسمى التعلم العميق (Deep Learning).

المشكلة: "الرسالة المشوشة"

فكر في إشارة الرادار التي ترتد عن الجدار مثل رسالة مكتوبة بحبر سري. الجدار يلطخ الحبر، مما يجعل الرسالة غير قابلة للقراءة.

الطرق القديمة حاولت حل هذه المشكلة باستخدام معادلات رياضية معقدة (مثل محاولة فك رموز أحجية "بازل" عن طريق التخمين). كانت بطيئة، وغالباً ما تخطئ، وافترضت أن الجدران بسيطة ومستطيلة الشكل ومثالية.
الجدران الحقيقية فوضوية. فهي تحتوي على طبقات، وشقوق، وفراغات هوائية، ومواد مختلفة مختلطة معاً.

الحل: "المحقق الذكي (AI)"

قام المؤلفون بتدريب ثلاثة أنواع مختلفة من المحققين من الذكاء الاصطناعي (AI) للنظر في إشارة الرادار المشوشة وتخمين أسرار الجدار (سمكه، مادته، وخصائصه الكهربائية).

لقد استخدموا ثلاثة "أساليب تحقيق" مختلفة:

الـ FC-NN (العامّي):
- التشبيه: تخيل طالباً يحفظ كتاباً مدرسياً عن ظهر قلب. ينظر إلى الإشارة ويحاول مطابقتها مع الأنماط التي رآها من قبل. هم سريعون وجيدون في المهام البسيطة، لكنهم يعانون إذا كان الجدار غريباً جداً أو إذا لم يروا أمثلة كافية.
الـ CNN (راصد الأنماط):
- التشبيه: هذا المحقق يشبه محرر الصور. بدلاً من النظر إلى الصورة بأكملها فقط، يقوم بعمل زووم (تكبير) على التفاصيل والأنسجة الصغيرة. هم بارعون في التعرف على الأشكال والهياكل، مما يجعلهم جيدين جداً في معرفة مخطط الجدار.
الـ GAN (المزور والناقد):
- التشبيه: هذا هو النوع الأكثر إثارة للاهتمام. يستخدم اثنين من الذكاء الاصطناعي يلعبان ضد بعضهما البعض.
  - المولد (المزور): يحاول إنشاء صورة مزيفة لما يجب أن يبدو عليه الجدار بناءً على الإشارة المشوشة.
  - الناقد (خبير الفنون): يحاول اكتشاف الفرق بين الجدار المزيف الذي صنعه المزور وبين الجدار "الحقيقي".
  - يستمرون في لعب هذه اللعبة مراراً وتكراراً. يصبح المزور أفضل في صنع جدران مزيفة تبدو حقيقية، ويصبح الناقد أفضل في كشف التزوير. في النهاية، يصبح المزور بارعاً جداً لدرجة أنه يمكنه إعادة بناء الجدار الحقيقي بدقة، حتى لو كانت بيانات التدريب محدودة.

التدريب: التعلم من الجدران "المزيفة"

لا يمكنك بسهولة التجول حول كل جدار في العالم وقياس ما بداخله بدقة لتدريب الذكاء الاصطناعي. لذا، قام الباحثون ببناء مختبر محاكاة افتراضي.

استخدموا حاسوباً خارقاً لمحاكاة آلاف الجدرب المختلفة (بعضها بسمك 10 سم، وبعضها 50 سم؛ بعضها مصنوع من الطين، وبعضها من الطوب).
مرروا الرادار عبر هذه الجدران الافتراضية وسجلوا الإشارات "المشوشة".
قدموا هذه البيانات للذكاء الاصطناعي، قائلين له: "هذه هي الإشارة المشوشة، وهذا هو الجدار الحقيقي الذي جاءت منه. تعلم العلاقة بينهما!"

النتائج: هل نجح الأمر؟

اختبر الباحثون محققيهم من الذكاء الاصطناعي بطريقتين:

على البيانات الافتراضية: أعطوا الذكاء الاصطناعي جدراناً افتراضية جديدة لم يرها من قبل.
- النتيجة: خمن الذكاء الاصطناعي سمك الجدار ومادته بدقة بلغت 95%. كان الأمر كما لو أن الذكاء الاصطناعي يمكنه "رؤية" ما خلف الجدار تماماً.
على البيانات الحقيقية: خرجوا إلى الخارج مع معدات رادار حقيقية وقاسوا جدران طوب حقيقية وباباً خشبياً.
- النتيجة: نجح الذكاء الاصطناعي، الذي تدرب فقط على الجدران الافتراضية، في تخمين خصائص الجدران الحقيقية بنجاح!
- الفائز: كان الـ GAN (لعبة المزور ضد الناقد) هو البطل. حتى عندما لم يمتلك الذكاء الاصطنا_ي بيانات تدريب كافية، كان الـ GAN هو الأكثر قوة ودقة. لقد تعامل مع جدران الطوب الحقيقية الفوضوية بشكل أفضل من الآخرين.
- القصور: جربوا الأمر على باب خشبي رقيق، وفشلوا. لماذا؟ لأن الباب كان رقيقاً جداً وشفافاً بالنسبة للرادار، بحيث لم تكن هناك إشارة تقريباً لتحليلها. الأمر يشبه محاولة تخمين لون نافذة زجاجية شفافة عندما لا يوجد ضوء ينعكس منها.

لماذا يهم هذا الأمر؟

هذه التكنولوجيا هي نقطة تحول لتقنية الرادار عبر الجدران (Through-Wall Radar).

البحث والإنقاذ: إذا انهار مبنى، يمكن للمنقذين استخدام هذه التقنية للرؤية من خلال الركام والعثور على الناجين دون أن تسبب تداخلات الجدار تشويشاً على الرادار.
الأمن: تساعد الشرطة على معرفة ما إذا كان هناك أشخاص يختبئون خلف جدار دون الحاجة لتحطيمه.
التصوير الطبي: نفس هذه الرياضيات يمكن أن تساعد الأطباء على الرؤية داخل الجسم دون استخدام الأشعة السينية.

باختاً مختصراً: علم المؤلفون الكمبيوتر كيف "يفك تشفير" الإشارات الفوضوية التي ترتد عن الجدران. ومن خلال استخدام لعبة ذكاء اصطناعي ذكية ("المزور ضد الناقد")، أنشأوا نظاماً يمكنه بدقة تخمين مادة الجدار ومدى سمكه، حتى لو لم يسبق له رؤية ذلك الجدار تحديداً. إنها تحول صورة الرادار الضبابية والمربكة إلى خريطة عالية الدقة لما يوجد خلف الجدار.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تقدير الخصائص الكهربائية للجدران المعقدة باستخدام الشبكات العصبية العميقة" من إعداد كاينات ياسمين وشوبا سوندار رام.

1. بيان المشكلة

تعاني أنظمة الرادار عبر الجدران (TWR) من تشوهات كبيرة في الإشارة ناتجة عن الانتشار المعقد للموجات الكهرومغناطيسية عبر الجدران غير المتجانسة. وتشمل هذه التشوهات الانعكاس، والانكسار، والوهن (الامتصاص)، والرنين، وتأثيرات تعدد المسارات، مما يؤدي إلى خلق "أهداف وهمية" وحجب الأهداف الحقيقية.

التحدي الجوهري: لفك التداخل بين تأثيرات الجدار وبصمات تشتت الأهداف، يجب على نظام الرادار تقدير الخصائص الكهربائية للجدار (السمك، وملف السماحية الكهربائية $\epsilon_r$ ، وملف الموصلية $\sigma$ ) بدقة.
قصور الطرق الحالية:
- الطرق الحتمية/التكرارية: التقنيات مثل تقريب بورن (Born approximation)، والانتشار العكسي (backpropagation)، والتصوير الميكروويفي التكراري (مثل DBIM)، مكلفة حوسبياً، وتتطلب ذاكرة عالية، وغالباً ما تفشل مع ثوابت العزل العالية أو المواد ذات الفقد العالي. وهي بشكل عام غير مناسبة لإعادة البناء في الوقت الفلي (real-time).
- التعلم الآلي التقليدي: كانت مقاربات الشبكات العصبية السابقة محدودة بتقدير بارامترات بسيطة (مثل العرض والسماحية) للجدران المتجانسة فقط.
الهدف: يقترح المؤلفون استخدام الشبكات العصبية العميقة (DNNs) لحل مشكلة التشتت العكسي الكهرومغناطيسي (EIS) شديدة اللاخطية لتقدير ملفات السماحية والموصلية للجدران المعقدة، متعددة الطبقات، والمفقدة (lossy).

2. المنهجية

يقترح المؤلفون نهجاً قائماً على البيانات حيث تتعلم الشبكات العصبية العميقة (DNNs) رسم الخرائط من بيانات المجال الكهربائي المشتت إلى ملفات خصائص الجدار.

أ. توليد البيانات (المحاكاة)

التقنية: استُخدمت محاكاة طريقة الفروق المحدودة في المجال الزمني (FDTD) لتوليد بيانات التدريب.
الإعداد: فضاء ديكارتي ثنائي الأبعاد مع مصدر مستقطب رأسياً واسع النطاق (نبضة غاوسية، مركزها 2.4 جيجاهرتز، وعرض نطاق 2 جيجاهرتز).
نماذج الجدران: تمت محاكاة ثلاثة أنواع متميزة من الجدران لتمثيل التعقيد في العالم الحقيقي:
1. النوع 1: عازل مفقود متجانس أحادي الطبقة (تتغير فيه $\epsilon_r$ و $\sigma$ والسمك).
2. النوع 2: عازل أحادي الطبقة مع مناطق مفقودة دورية (غير متجانس).
3. النوع 3: جدران عازلة متعددة الطبقات (مثل العوازل/الواجهات) مع مناطق مفقودة دورية.
مجموعة البيانات: 867 حالة جدار متميزة. كان المدخل هو المجال الكهربائي المشتت في النطاق الترددي (الجزء الحقيقي والتخيلي) المسجل عند 10 مواقع استقبال. وكان المخرج هو الملفات المكانية ثنائية الأبعاد المتجهة لـ $\epsilon_r$ و $\sigma$ .

ب. بنيات الشبكات العصبية العميقة

تم تصميم ومقارنة ثلاث بنيات متميزة من الـ DNN:

الشبكة العصبية كاملة الاتصال (FC-NN): عبارة عن مدرك متعدد الطبقات (MLP) مع طبقتين مخفيتين (256 و 512 عقدة) وطبقة مخرجات (1024 عقدة).
الشبكة العصبية التلافيفية (CNN): تتضمن طبقات تلافيفية (convolutional) وطبقات تجميع (pooling) أحادية البعد لالتقاط السمات المكانية، تليها طبقات كثيفة.
الشبكة التنافسية التوليدية (GAN): إطار عمل قائم على نظرية الألعاب يتكون من:
- المولد ( $G_\theta$ ): يرسم الخرائط من المجالات الكهربائية المشتتة إلى ملفات الجدار الاصطناعية.
- الناقد ( $C_\phi$ ): يميز بين الملفات الحقيقية (الحقيقة الأرضية) والمزيفة (المولدة).
- المنطق: يُفترض أن شبكات GAN أكثر قوة تجاه مجموعات البيانات الأصغر أو الأقل تنوعاً بسبب طبيعة تدريبها التنافسي.

C. استراتيجية التدريب

دوال الخسارة: تقاطع الإنتروبيا الثنائي (binary cross-entropy) لـ FC-NN و CNN؛ ودالة قيمة "مينيمكس" (minimax) لـ GAN.
التحسين: مُحسّن Adam مع معدلات تعلم متفاوتة ( $2\times10^{-4}$ لـ FC-NN/CNN، و $2\times10^{-4}$ لـ GAN).
التحقق: تم اختبار النماذج على مجموعات اختبار محاكاة، والأهم من ذلك، على بيانات مقاسة من العالم الحقيقي لاختبار القدرة على التعميم.

3. المساهمات الرئيسية

توصيف الجدران المعقدة: توسع الدراسة تطبيقات الشبكات العصبية العميقة بما يتجاوز الجدران المتجانسة لتشمل الجدران غير المتجانسة، متعددة الطبقات، والمفقدة، مع تقدير ملفات السماحية والموصلية في آن واحد.
استخدام GAN في التشتت العكسي الكهرومغناطيسي (EIS): تثبت الدراسة فعالية شبكات GAN في التشتت العكسي الكهرومغناطيسي، وتظهر تفوقها على النهج أحادي الشبكة (FC-NN/CNN) عندما تكون بيانات التدريب محدودة.
النقل من المحاكاة إلى الواقع (Sim-to-Real Transfer): تثبت الورقة أن الشبكات المدربة بالكامل على بيانات FDTD المحاكات يمكنها بنجاح تقدير خصائص الجدران الفيزيائية في العالم الحقيقي، مما يسد الفجوة بين المحاكاة والواقع.
مقارنة شاملة: مقارنة كمية ونوعية صارمة بين FC-NN و CNN و GAN عبر مستويات تعقيد البيانات المختلفة.

4. النتائج

أ. نتائج المحاكاة

الدقة: حققت النماذج دقة تقارب 95% لسمك الجدار، و 96% لملفات السماحية، و 90% لملفات الموصلية.
مقارنة الأداء:
- ملفات السماحية: أدت جميع الطرق بشكل جيد، حيث أظهرت CNN و GAN خطأ متوسط مربعات معيار (NMSE) أقل قليلاً من FC-NN.
- ملفات الموصلية: كانت عملية إعادة البناء أصعب من ملفات السماحية (NMSE أعلى). تفوقت GAN و CNN على FC-NN في التقاط المناطق المفقودة المتميزة.
- ندرة البيانات: عندما انخفض حجم بيانات التدريب (على سبيل المثال، من 90% إلى 70% من مجموعة البيانات)، حافظت GAN على أداء متفوق مقارنة بـ FC-NN و CNN، مما يؤكد قوتها في مواجهة نقص البيانات.
- التعقيد: تطلبت GAN وقت تدريب أطول بكثير (120-150 دقيقة) مقارنة بـ FC-NN/CNN (30-45 دقيقة) بسبب بنية الشبكة المزدوجة.

ب. النتائج التجريبية (العالم الحقيقي)

الإعداد: أُخذت القياسات على جدارين خارجيين من الطوب (بسمك 30 سم و 40 سم) وباب خشبي باستخدام محلل شبكة متجه (VNA) وهوايات قرنية.
تقدير السمك:
- GAN: قدرت سمك الجدار بـ خطأ ~5%.
- FC-NN/CNN: قدرت السمك بـ خطأ 10-12%.
إعادة بناء الملفات: نجحت GAN في إعادة بناء ملفات السماحية لجدران الطوب/الخرسانة المعقدة، حيث حددت بدقة الهياكل الطبقية التي واجهت فيها FC-NN و CNN صعوبة.
القصور: فشلت النماذج في إعادة بناء ملف الباب الخشبي بسمك 3.5 سم. وقد عُزي ذلك إلى أن الباب شفاف إلى حد كبير لنطاق التردد 1.4-2.4 جيجاهرتز، مما أدى إلى طاقة مشتتة ضئيلة جداً لتحليلها بواسطة الشبكة.

5. الأهمية والخلاصة

تؤسس هذه الورقة للشبكات العصبية العميقة كبديل قابل للتطبيق والعمل في الوقت الفعلي للطرق التكرارية التقليدية للتشتت العكسي الكهرومغناطيسي.

الأثر العملي: من خلال التقدير الدقيق لخصائص الجدار، يمكن لأنظمة TWR "فك تداخل" تأثيرات الجدار بفعالية، مما يحسن بشكل كبير من كشف الأهداف ويقلل من الإنذارات الكاذبة في سيناريوهات التصوير عبر الجدران.
القوة والتحمل: إن حقيقة قدرة شبكات GAN المدربة على المحاكاة على التعميم لتشمل القياسات في العالم الحقيقي هي خطوة حاسمة نحو نشر أنظمة رادار مدعومة بالذكاء الاصطناعي في البيئات العملية دون الحاجة إلى معايرة شاملة في العالم الحقيقي.
المقايضة: بينما توفر GAN أعلى دقة وقوة في مواجهة ندرة البيانات، إلا أنها تأتي على حساب وقت تدريب حوسبي أعلى. تظل FC-NN و CNN خيارات قابلة للتطبيق في السيناريوهات التي تتطلب وفرة في البيانات ومتطلبات زمن انتقال (latency) صارمة.

باختصار، نجح المؤلفون في إثبات أن التعلم العميق، وخاصة شبكات GAN، يمكنه حل المشكلة شديدة اللاخطية لتوصيف الجدران المعقدة وغير المتجانسة، مما يمهد الطريق لتقنيات رادار أكثر تقدماً ودقة عبر الجدران.