Modulation Recognition Method with Dual-Branch Feature Fusion Based on Lightweight CNN and Dual-Attention Network

في المحيط غير المرئي الذي يحيط بنا، تتدفق موجات راديوية مستمرة من المعلومات. تحمل هذه الموجات كل شيء، بدءاً من البث في حالات الطوارئ وصولاً إلى البيانات التي تشغل هواتفنا الذكية، لكنها غالباً ما تكون مخفية في وضح النهار، متخفية في هيئة الضجيج الناتج عن العالم الطبيعي. ولتفسير هذه البيئة الفوضوية، يعتمد المهندسون على عملية تسمى "التعرف التلقائي على التعديل" (automatic modulation recognition). فكر في الأمر كأنه مترجم لموجات الهواء؛ مهمته هي الاستماع إلى الإشارة وتحديد نوع الرمز الذي تستخدمه فوراً. تستخدم الإشارات المختلفة طرقاً مختلفة لتعبئة المعلومات، تماماً كما تستخدم اللغات المختلفة هياكل جمل متنوعة. بعض الإشارات بسيطة وقوية، بينما البعض الآخر معقد وفعال، حيث يحزم المزيد من البيانات في نفس المساحة. وتنشأ التحديات عندما تكون هذه الإشارات ضعيفة أو مدفونة تحت الضجيج، مثل التداخل من الأجهزة الإلكترونية الأخرى أو الضجيج الطبيعي للغلاف الجوي. في هذه الظروف الصعبة، يمكن أن تتلاشى الفروق الدقيقة بين أنواع الإشارات، مما يجعل من المستحيل تقريباً على الأنظمة التقليدية التمييز بينها. وتعد هذه مشكلة حرجة للاستطلاع العسكري، ومراقبة الطيف الترددي، ومستقبل الاتصالات اللاسلكية، حيث يمكن أن يكون معرفة ماهية الإشارة بدقة هو الفارق بين النجاح والفشل.

قام فريق من الباحثين في جامعة تشونغتشينغ المتعددة التقنيات للإلكترونيات وجامعة تشونغتشينغ المفتوحة بتطوير نهج جديد لحل هذه المشكلة، مستهدفاً على وجه التحديد حالة الارتباك التي تحدث عندما تكون الإشارات ضعيفة. إن طريقتهم، التي فُصلت في دراسة حديثة، تبتعد عن محاولة إجبار نموذج حاسوبي واحد ضخم على القيام بكل شيء في وقت واحد. وبدلاً من ذلك، صمموا نظاماً يعمل كعملية فحص مكونة من خطوتين، تجمع بين السرعة والتحليل العميق والدقيق. أدرك الباحثون أن الإشارات ليست متساوية؛ فبعض الإشارات، مثل تلك المستخدمة في التعديل الترددي الأساسي، لها أشكال مميزة يسهل رصدها حتى في غرفة مليئة بالضوضاء. أما غيرها، ولا سيما الإشارات الرقمية عالية الرتبة، فهي متشابهة للغاية فيما بينها، ولا تختلف إلا في أنماط دقيقة جداً من السعة والطور (amplitude and phase) التي يسهل فقدانها عندما تكون الإشارة ضعيفة. وللتعامل مع هذا التنوع، بنى الفريق شبكة ثنائية المسار. المسار الأول هو نظام خفيف الوزن وسريع الحركة، مصمم للمسح السريع لجميع الإشارات الواردة وتصفية الإشارات التي يسهل تحديدها. يعمل هذا المسار كمنخل سريع، يلتقط الإشارات الواضحة ويمهد الطريق للمسار الثاني.

المسار الثاني هو المكان الذي يحدث فيه العمل الحقيقي للحالات الصعبة. فبمجرد عزل الإشارات السهلة، يركز النظام كامل انتباهه على الأنواع الستة من الإشارات عالية الرتبة الأكثر عرضة للخلط فيما بينها. يستخدم هذا الجزء المتخصص من الشبكة آلية "الانتباه المزدوج" (dual-attention mechanism)، والتي تعمل مثل زوج من العيون المركزة التي تعرف بالضبط أين تنظر. فهي تفحص الإشارة من منظورين مختلفين في آن واحد: أحدهما ينظر إلى التوقيت وتسلسل البيانات، والآخر ينظر إلى قوة وتوزيع مكونات الإشارة. ومن خلال وزن هذه الميزات المختلفة، يمكن للنظام التقاط التفاصيل الدقيقة والحرجة التي تميز إشارة معقدة عن أخرى، حتى عندما تكون مدفونة تحت ضجيج كبير. وتتضمن الخطوة النهائية وحدة اتخاذ قرار تستمع إلى كلا المسارين؛ حيث تقارن مستويات الثقة في إجاباتهما وتختار النتيجة الأكثر موثوقية، مما يضمن أن التحديد النهائي هو أفضل تخمين ممكن بناءً على الأدلة المتاحة.

تم اختبار نتائج هذا النهج عبر نطاق واسع من قوة الإشارات، من الإشارات الضعيفة جداً التي يكاد لا يمكن اكتشافها إلى الإرسالات القوية والواضحة. ووجد الباحثون أن طريقتهم ثنائية المسار حققت دقة تعرّف إجمالية بلغت 86.1% عبر نطاق الاختبار بأكل. وكان هذا الأداء مثيراً للإعجاب بشكل خاص في ظروف الإشارة المنخفضة التي عادة ما تهزم الأنظمة الأخرى. وفي النطاق الحرج حيث تكون الإشارات ضعيفة، وتحديداً بين -8 ديسيبل و 0 ديسيبل، حققت الطريقة الجديدة معدل تعرّف متوسط قدره 71.8%. ويمثل هذا تحسناً كبيراً عن النماذج الحالية، التي كافحت للوصول إلى مستويات مماثلة من الدقة دون الاستفادة من هذه البنية المتخصصة ثنائية الخطوات. وأظهرت الدراسة أنه بينما يمكن لشبكة واحدة بسيطة تحديد الإشارات السهلة جيداً، فإنها تفشل فشلاً ذريعاً مع الإشارات المعقدة. وعلى العكس من ذلك، كانت الشبكة المتخصصة وحدها ممتازة في التعامل مع الإشارات المعقدة ولكنها ارتبكت أمام الإشارات الأبسط. وفقط من خلال دمج الاثنين معاً، حقق النظام توازناً نجح في التعامل مع جميع الأنواع الاثني عشر من الإشارات التي تم اختبارها، بما في ذلك أشكال مختلفة من تعديل الطور والسعة.

كما قارن الباحثون طريقتهم بعدة نماذج رائدة أخرى من التعلم العميق المستخدمة لهذه المهمة. وفي هذه المقارنات، تفوقت طريقتهم باستمرار على الآخرين، لا سيما في بيئة الإشارة المنخفضة حيث كان الفرق في الأداء أكثر وضوحاً. استطاعت الطريقة الجديدة الحفاظ على الاستقرار والدقة في الأماكن التي شهدت فيها النماذج الأخرى انخفاضاً حاداً في الأداء. ويشير هذا إلى أن استراتيجية تقسيم المهمة إلى مسح واسع وسريع ثم تحليل عميق ومركز هي طريقة أكثر فعالية للتعامل مع تعقيدات البيئات الكهرومغناطيسية في العالم الحقيقي. ولا يتطلب النظام تعديلات يدوية معقدة أو معرفة مسبقة بالإشارات المحددة، مما يجعله قابلاً للتكيف مع الظروف المتغيرة. ومن خلال النجاح في التمييز بين الإشارات التي يسهل الخلط بينها، حتى عندما تكون ضعيفة، يقدم هذا البحث أداة أكثر موثوقية لفهم العالم غير المرئي للاتصالات الراديوية. إنه يثبت أنه من خلال محاكاة عملية بشرية تتمثل في المسح السريع يليه الفحص الدقيق، يمكن للآلات أن تصبح أفضل بكثير في سماع الإشارة من خلال الضجيج.