Robust Beamforming with Mutual Coupling Compensation for A Linear Nested Array
تقترح هذه الورقة خوارزمية معايرة لمصفوفة خطية متداخلة غير منتظمة ثنائية المستوى تعوض آثار الاقتران المتبادل من خلال إعادة بناء مصفوفة التغاير، مما يتيح تقدير اتجاه الوصول وتشكيل الحزمة بشكل قوي.
تخيل أنك تحاول الاستماع إلى صديق محدد يتحدث في غرفة مزدحمة بالضجيج. إذا وقفت هناك فحسب، فسيكون من الصعب تمييز صوته. ولكن ماذا لو كان لديك فريق من الأصدقاء يقفون في خط واحد، وكل منهم يحمل ميكروفوناً؟ من خلال الاستماع إلى الفروق الطفيفة في "متى" يسمع كل صديق الصوت، يمكن لدماغك (أو للكمبيوتر) تحديد مكان وقوف هذا الشخص بالضبط والتركيز عليه فقط، وتجاهل الثرثرة. هذا هو سحر "مصفوفات الهوائيات" و"تكوين الشعاع" (beamforming). هذه هي الطريقة التي تجد بها الرادارات الحديثة، وشبكات الواي فاي، وأبراج الاتصالات الإشارات وتوجهها مثل شعاع المصباح اليدوي.
ومع ذلك، هناك عقبة. عندما تضع هذه الميكروفونات (أو الهوائيات) قريبة من بعضها البعض لجعلها أكثر حساسية، تبدأ في "الهمس" لبعضها البعض. في عالم الفيزياء، يسمى هذا "الاقتران المتبادل" (mutual coupling). الأمر يشبه ما إذا كان أصدقاؤك الذين يحملون الميكروفونات قريبين جداً من بعضهم لدرجة أن الصوت من ميكروفون أحد الأصدقاء جعل الميكروفون التالي يهتز، مما يربك التوقيت ويجعل الفريق بأكمله مرتبكاً بشأن مصدر الصوت. هذا الارتباك يفسد القدرة على تحديد اتجاه الإشارة بدقة. لقد حاول العلماء حل مشكلة "الهمس" هذه لفترة طويلة، خاصة عند استخدام خطوط خاصة من الهوائيات غير المنتظمة تسمى "المصفوفات المتداخلة" (nested arrays)، والتي صُممت لتكون فائقة الكفاءة ولكنها معقدة المعايرة.
هذه الورقة البحثية، التي كتبها "برابها جي" و"ناتاراجاماني إس"، تتناول تلك المشكلة تحديداً. يقترح المؤلفان طريقة جديدة ذكية لـ "تجاهل" ضوضاء الاقتران المتبادل في مصفوفة هوائيات متداخلة ذات مستويين. فكر في المصفوفة على أنها تتكون من قسمين: مجموعة متماسكة من الهوائيات المتقاربة جداً (حيث يكون "الهمس" عالياً وفوضوياً) ومجموعة أخرى أكثر تباعداً (حيث تكون الهوائيات بعيدة بما يكفي لتجاهل بعضها البعض). تقترح الورقة طريقة لـ "الاستماع" رياضياً إلى نمط الأخطاء الناتج عن المجموعة المتقاربة، وتحديد كيفية إفسادها للإشارة بدقة، ومن ثم طرح هذا الخطأ قبل محاولة تحديد اتجاه الإشارة.
لم يكتفِ الباحثون بالتخمين؛ بل بنوا نموذجاً رياضياً وأجروا عمليات محاكاة حاسوبية لاختبار فكرتهم. وقارنوا طريقتهم الجديدة بالتقنيات الموجودة حالياً، مثل طريقة "ويس-فريدلاندر" (Weiss-Friedlander) وبعض حيل التحسين المعقدة. وفي عمليات المحاكاة التي أجروها، نجحت خوارزميتهم في إعادة بناء الاتجاه الحقيقي للإشارة، حتى عندما كانت الهوائيات متأثرة بشدة بالاقتران المتبادل. ووجدوا أن طريقتهم تعمل بشكل جيد حتى عندما كانت الإشارة ضعيفة جداً (نسبة إشارة إلى ضجيج منخفضة) وتطلبت عددًا أقل من "اللقطات" (العينات من الإشارة) للحصول على صورة واضحة مقارنة ببعض الطرق الأخرى.
أحد النتائج الرئيسية هو أن نهجهم يتميز بالكفاءة الحسابية. وبينما استغرقت بعض الطرق وقتاً طويلاً لمعالجة الأرقام (مثل طريقة التحسين المحدب، التي استغرقت أكثر من 1.5 ثانية لكل عملية تشغيل في اختباراتهم)، كانت طريقتهم المقترحة أسرع بكثير، حيث استغرقت حوالي 0.17 ثانية فقط. هذه السرعة، جنباً إلى جنب مع الدقة العالية، تعني أن النظام يمكنه التكيف بسرعة للعثور على الإشارات دون أن يتعثر في الحسابات الثقيلة. وتخلص الورقة إلى أنه من خلال إصلاح خطأ "الهمس" أولاً ثم استخدام البيانات المصححة لتوجيه الشعاع، يمكن للنظام تحديد اتجاهات الإشارة بدقة أكبر بكثير، مما يجعله أداة قوية لأنظمة الرادار والاتصالات المستقبلية.
ملخص تقني: تشكيل الحزمة القوي مع تعويض الاقتران المتبادل لمصفوفة متداخلة خطية
بيان المشكلة يعد تقدير اتجاه الوصول (DOA) وتشكيل الحزمة من العمليات الحرجة في معالجة إشارات مصفوفة الهوائيات لتطبيقات مثل الرادار والاتصالات اللاسلكية. ومع ذلك، تتدهور هذه العمليات بشكل كبير بسبب اضطرابات المصفوفة، ولا سيما الاقتران المتبادل (MC). في المصفوفات المتداخلة (Nested Arrays)، التي تتكون من عدة مصفوفات خطية منتظمة ذات مسافات فاصلة مختلفة بين العناصر، تتميز المصفوفة الفرعية الداخلية بعناصر متقاربة. ويؤدي هذا التقارب إلى إحداث تأثيرات اقتران متبادل قوية تشوه ممانعة المصفوفة (Array Manifold)، مما يؤدي إلى تدهور الأداء في تقدير اتجاه الوصول وتشكيل الحزمة. وبينما توجد تقنيات معايرة متنوعة، فإن الحفاظ على الدقة في البيئات الديناميكية يظل أمراً صعباً. المشكلة المحددة التي يتناولها هذا البحث هي تعويض أخطاء الاقتران المتبادل في مصفوفة خطية متداخلة ذات مستويين لتمكين تشكيل حزمة قوي دون الحاجة إلى معرفة مسبقة بمعاملات الاقتران.
المنهجية يستخدم النهج المقترح مصفوفة خطية متداخلة ذات مستويين، حيث يتكون المستوى الأول من عناصر متقاربة والمستوى الثاني من مسافات أوسع. وتتم المنهجية من خلال الخطوات التالية:
نمذجة الإشارة: يتم نمذجة متجه الإشارة المستلمة كحاصل ضرب مصفوفة الاقتران المتبادل (M)، وممانعة المصفوفة (A)، ومتجه إشارة المصدر (S)، والضجيج المضاف. يتم نمذجة مصفوفة الاقتران M كمصفوفة قطرية كتلية (Block-diagonal matrix) حيث تُظهر المصفوفة الفرعية الداخلية بنية "تويتز" (Toeplitz structure) تمثل الاقتران المتبادل بين العناصر المتجاورة، بينما يُفترض أن المصفوفة الفرعية الخارجية تتعرض فقط للاقتران الذاتي بسبب المسافات الكبيرة بين العناصر.
تحليل مصفوفة التغاير: تقوم الخوارزمية بتحليل مصفوفة التغاير المعقدة لمخرجات المصفوفة. ومن خلال إجراء التفكيك الذاتي للقيم الذاتية (Eigen-decomposition)، يتم الفصل بين الفضاءات الإشارية وفضاءات الضجيج. ويتم تقدير قدرة الضجيج باستخدام المتجهات الذاتية للضجيج.
تقدير الاقتران المتبادل: يتم إنشاء مصفوفة تغاير الخطأ عن طريق طرح مكون الضجيما المقدر. وتستغل الخوارما خوارزمية الخصائص الهيكلية لهذه المصفوفة لاستخلاص متجهين محددين (u1 و u2) من العناصر خارج القطر والقطر على التوالي. تُستخدم هذه المتجهات لحساب معاملات الاقتران المتبادل عبر عامل ضرب مستمر، مما يؤدي فعلياً إلى تقدير متجه الاقتران دون الحاجة إلى تحسين تكراري (Iterative optimization).
التعويض وإعادة البناء: بمجرد تقدير معاملات الاقتران، يتم إعادة بناء مصفوفة الاقتران المتبادل. بعد ذلك، يتم تعويض وإعادة بناء مصفوفة تغاير الإشارة لإزالة التشوه الناتج عن الاقتران المتبادل.
تقدير اتجاه الوصول وتشكيل الحزمة: تُستخدم مصفوفة التغاير المعوضة مع طريقة البحث عن ذروة الطيف (MUSIC) لتقدير اتجاهات الوصول. وتُستخدم هذه الاتجاهات المقدرة لاحقاً لصياغة متجه توجيه المصفوفة وإعادة بناء مصفوفة التغاير المكونة من التداخل والضجيج (INCM). أخيراً، يتم حساب أوزان تشكيل الحزمة من نوع الاستجابة غير الموجهة ذات التباين الأدنى (MVDR) باستخدام مصفوفة (INCM) المتوازنة ومتجهات التوجيه.
المساهمات الرئيسية
خوارزمية المعايرة: يقترح البحث خوارزمية معايرة غير تكرارية تقوم بتقدير معاملات الاقتران المتبادل بناءً على خصائص مصفوفة تغاير مخرجات المصفوفة، وبالتحديد عبر استغلال العلاقة بين العناصر القطرية والعناصر خارج القطر لمصفوفة تغاير الخطأ.
تشكيل الحزمة القوي: من خلال دمج تعويض الاقتران المتبادل قبل عملية تشكيل الحزمة، تبسط الطريقة عملية حساب متجه توجيه المصفوفة ومصفوفة (INCM)، مما يؤدي إلى تشكيل حزمة (MVDR) قوي وأقل حساسية لتشوهات ممانعة المصفوفة.
تحسين المصفوفة المتداخلة: يعالج هذا العمل بشكل محدد التحدي الفريد المتمثل في الاقتران المتبادل العالي في المستوى الداخلي للمصفوفات المتداخلة، مع الاستفادة من الطبيعة المتفرقة للمستوى الخارجي لتقليل تأثيرات الاقتران الإجمالية.
النتائج التجريبية أُجريت عمليات محاكاة عددية باستخدام مصفوفة متداخلة مكونة من ثمانية عناصر (المواقع [0, 1, 2, 3, 4, 9, 14, 19]) ومصفوفتي اقتران متبادل مجهولتين مختلفتين. تم تقييم الأداء مقابل طريقة "ويس-فريدلاندر" (WF)، وهي طريقة تعتمد على التحسين المحدب، وتقنية استرداد متفرقة مشتركة.
الدقة: أظهرت الخوارزمية المقترحة قيم جذر متوسط مربع الخطأ (RMSE) قريبة من حد "كرا-راو" (CRB). بالنسبة لـ 100 لقطة (Snapshots)، كانت قيم RMSE حوالي 1.42 و 1.23 للسيناريوهين المختلفين للاقتران، وتحسنت بشكل ملحوظ لتصل إلى 0.52 و 0.32 عند زيادة عدد اللقطات إلى 500.
الأداء عند نسبة إشارة إلى ضجيج (SNR) منخفضة: حافظت الطريقة على أداء معقول حتى عند نسب إشارة إلى ضجيج منخفضة تصل إلى -10 ديسيبل، رغم ظهور قمم خاطئة بشكل أكثر وضوحاً عند هذه المستويات. وتشير الورقة إلى أنه تم استخدام 100 لقطة لنطاق نسبة الإشارة إلى الضجيج من 0 إلى +10 ديسيبل، بينما لم يتم تحديد عدد اللقطات الخاص بنقطة البيانات عند -10 ديسيبل صراحة في النص.
تشكيل الحجمة: أظهرت أنماط الحزمة المعاد بناؤها كبحاً فعالاً للفصوص الجانبية وعروض حزمة ضيقة، لا سيية عند مستويات نسبة الإشارة إلى الضجيل الأعلى (5 ديسيبل)، مما يؤكد فعالية التعويض.
الكفاءة الحسابية: تطلبت الطريقة المقترحة حوالي 0.168 ثانية لكل تكرار، وهو أمر مشابه لطريقة (WF) التي استغرقت (0.146 ثانية)، وأسرع بكثير من التحسين المحدب الذي استغرق (1.507 ثانية).
الأهمية تزعم الورقة أن الخوارزمية المقترحة تقدم حلاً قوياً لتقدير اتجاه الوصول وتشكيل الحزمة في وجود الاقتران المتبادل، وتحديداً للمصفوفات المتداخلة. ومن خلال الاستفادة من خصائص مصفوفة التغاير لتقدير وتعويض أخطاء الاقتران، تحقق الطريقة تقديراً دقيقاً للاتجاه مع تقليل التعقيد الحسابي مقارنة بالتقنيات القائمة على التحسين. ويؤكد المؤلفون أن هذا النهج فعال بشكل خاص في السيناريوهات التي تحتوي على مصادر إشارة متعددة وبيئات اقتران متغيرة، مما يوفر مساراً عملياً للمعايرة الذاتية في معالجة إشارات المصفوفات دون الحاجة إلى بيانات معايرة مسبقة واسعة النطاق.