An Application of Complex Fuzzy Soft Matrices in Signal Processing

यहाँ ओलायेमी आर. ओलाडोकुन और ताइवो ओ. सांगोडापो के शोध पत्र "An Application of Complex Fuzzy Soft Matrices in Signal Processing" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पारंपरिक सिग्नल प्रोसेसिंग और मॉडलिंग उपकरण अक्सर क्रिस्प (crisp), नियतात्मक (deterministic) और सटीक तर्क (बाइनरी "हाँ/नहीं" अवस्थाओं) पर निर्भर करते हैं। हालाँकि, वास्तविक दुनिया के सिग्नल वातावरण स्वाभाविक रूप से अनिश्चित, अस्पष्ट और शोर (noisy) वाले होते हैं। शास्त्रीय मॉडल सिग्नल गुणों (जैसे आयाम/amplitude, चरण/phase, और शोर स्तर) की "कम-या-ज्यादा" वाली प्रकृति या बड़ी संख्या में पहचाने गए सिग्नलों के बीच एक विशिष्ट संदर्भ सिग्नल (reference signal) को पहचानने की अस्पष्टता को दर्शाने में संघर्ष करते हैं।

यह शोध पत्र एक डिजिटल रिसीवर द्वारा पहचाने गए कई सिग्नलों में से एक विशिष्ट संदर्भ सिग्नल की पहचान करने की चुनौती को संबोधित करता है। इसका लक्ष्य एक ऐसा गणितीय ढांचा विकसित करना है जो पारंपरिक तरीकों की तुलना में सिग्नल डेटा की अस्पष्टता (fuzziness) और जटिलता को अधिक प्रभावी ढंग से संभाल सके।

2. कार्यप्रणाली (Methodology)

लेखक एक हाइब्रिड कार्यप्रणाली प्रस्तावित करते हैं जो कॉम्प्लेक्स फजी सॉफ्ट सेट (Complex Fuzzy Soft Set - CFSS) सिद्धांत को फूरियर ट्रांसफॉर्म (Fourier Transform) तकनीकों के साथ एकीकृत करती है। इस दृष्टिकोण में निम्नलिखित चरण शामिल हैं:

A. सैद्धांतिक ढांचा: कॉम्प्लेक्स फजी सॉफ्ट मैट्रिसेस (Complex Fuzzy Soft Matrices - CFSM)

• कॉम्प्लेक्स फजी सेट्स (Complex Fuzzy Sets - CFS): मानक फजी सेट्स के विपरीत, जहाँ सदस्यता (membership) $[0, 1]$ में एक वास्तविक संख्या होती है, CFS इस सीमा को कॉम्प्लेक्स प्लेन में यूनिट सर्कल तक विस्तारित करता है। तत्वों को $r e^{i\omega}$ के रूप में दर्शाया जाता है, जहाँ $r$ आयाम (सदस्यता की डिग्री) है और $\omega$ चरण (phase) शब्द है। यह आयाम और चरण की जानकारी को एक साथ प्रदर्शित करने की अनुमति देता है।
• सॉफ्ट सेट्स (Soft Sets): डेटा को पैरामीटराइज करने के लिए उपयोग किया जाता है, जिससे गुणों (जैसे "डाउनटाउन के पास," "सस्ता") का लचीला मॉडलिंग संभव होता है।
• मैट्रिक्स प्रतिनिधित्व (Matrix Representation): लेखक इन सेट्स को कम्प्यूटेशनल रूप से संग्रहीत और हेरफेर करने के लिए कॉम्प्लेक्स फजी सॉफ्ट मैट्रिसेस को परिभाषित करते हैं। यूनियन (Union), इंटरसेक्शन (Intersection), और कॉम्प्लीमेंट (Complement) जैसे ऑपरेशन्स को कॉम्प्लेक्स तत्वों के पूर्ण मानों (absolute values) पर max/min ऑपरेटरों का उपयोग करके परिभाषित किया जाता है।

B. सिग्नल पहचान के लिए एल्गोरिदम (Algorithm for Signal Identification)

शोध पत्र अनिश्चित वातावरण में एक संदर्भ सिग्नल $R$ को पहचाने के लिए दो अलग-अलग एल्गोरिदम दृष्टिकोण प्रस्तुत करता है:

दृष्टिकोण 1: डायरेक्ट मैट्रिक्स क्रॉस-प्रोडक्ट (Direct Matrix Cross-Product - अनुभाग 5)

1. सैंपलिंग (Sampling): प्राप्त सिग्नलों $S_1, \dots, S_m$ को $N$ बार सैंपल किया जाता है।
2. मैट्रिक्स निर्माण (Matrix Construction): दो मैट्रिसेस, $A$ और $B$ का निर्माण किया जाता है। मैट्रिक्स $A$ में सैंपल किए गए सिग्नलों के पूर्ण मान होते हैं, और मैट्रिक्स $B$ में सैंपल किया गया संदर्भ सिग्नल (या तुलना के लिए दूसरा सेट) होता है।
3. गुणा (Multiplication): एक मानक मैट्रिक्स उत्पाद $A \times B$ की गणना की जाती है।
4. निर्णय लेना (Decision Making): उत्पाद मैट्रिक्स में प्रत्येक कॉलम के न्यूनतम मान को खोजकर एक "मैक्स-मिन" (Max-Min) निर्णय मैट्रिक्स प्राप्त किया जाता है।
5. चयन (Selection): परिणामी निर्णय वेक्टर में अधिकतम मान वाले सिग्नल को संदर्भ सिग्नल के रूप में पहचाना जाता है।

दृष्टिकोण 2: फूरियर ट्रांसफॉर्म इंटीग्रेशन (Fourier Transform Integration - अनुभाग 6)
इस दृष्टिकोण को शोध पत्र में श्रेष्ठ विधि के रूप में रेखांकित किया गया है।

1. डिस्क्रीट फूरियर ट्रांसफॉर्म (DFT): सिग्नलों को फ्रीक्वेंसी डोमेन में परिवर्तित किया जाता है। एम्प्लीट्यूड टर्म $X[k]$ को फजी सेट परिभाषा में फिट होने के लिए $[0, 1]$ तक सीमित किया जाता है, जबकि फेज टर्म फ्रीक्वेंसी घटक का प्रतिनिधित्व करता है।
2. इनवर्स डिस्क्रीट फूरियर ट्रांसफॉर्म (IDFT): सिग्नलों को कॉम्प्लेक्स फजी सेट लॉजिक का उपयोग करके पुनर्गठित किया जाता है, जिसमें एम्प्लीट्यूड को फजी मेंबरशिप और फेज को कॉम्प्लेक्स आर्ग्युमेंट के रूप में माना जाता है।
3. क्रॉस-प्रोडक्ट गणना (Cross-Product Calculation): एल्गोरिदम अज्ञात सिग्नल $x_i(n)$ के नमूनों और संदर्भ सिग्नल $r(n)$ के बीच क्रॉस-प्रोडक्ट की गणना करता है।
   • ऑपरेशन में संगत घटकों के लिए एम्प्लीट्यूड टर्म के न्यूनतम (minimum) और फेज टर्म के न्यूनतम को लेना शामिल है।
   • परिणामी कॉम्प्लेक्स क्रॉस-प्रोडक्ट टर्म्स के पूर्ण मान (absolute value) की गणना की जाती है।
4. अनुकूलन (Optimization): प्रत्येक सिग्नल सैंपल के लिए, क्रॉस-प्रोडक्ट के अधिकतम पूर्ण मान (maximum absolute value) को निर्धारित किया जाता है।
5. तुलना (Comparison): सभी कैंडिडेट सिग्नलों के लिए अधिकतम मानों की तुलना की जाती है। जो सिग्नल उच्चतम अनुकूल मान (highest optimal value) देता है, उसे संदर्भ सिग्नल के रूप में पहचाना जाता है।

3. प्रमुख योगदान (Key Contributions)

• नवीन अनुप्रयोग (Novel Application): यह शोध पत्र विशेष रूप से सिग्नल प्रोसेसिंग और सिस्टम आइडेंटिफिकेशन के लिए कॉम्प्लेक्स फजी सॉफ्ट मैट्रिसेस के अनुप्रयोग की शुरुआत करता है, जो सॉफ्ट कंप्यूटिंग थ्योरी और इंजीनियरिंग सिग्नल विश्लेषण के बीच के अंतर को पाटता है।
• हाइब्रिड एल्गोरिदम (Hybrid Algorithm): यह एक विशिष्ट एल्गोरिदम पेश करता है जो सिग्नल अनिश्चितता को संभालने के लिए फूरियर ट्रांसफॉर्म के फ्रीक्वेंसी-डोमेन विश्लेषण के साथ सॉफ्ट सेट्स के पैरामीटराइजेशन को जोड़ता है।
• कॉम्प्लेक्स प्रतिनिधित्व (Complex Representation): कॉम्प्लेक्स प्लेन (आयाम + फेज) का उपयोग करके, यह मॉडल पारंपरिक रियल-वैल्यूड फजी मैट्रिसेस की तुलना में अधिक सिग्नल विशेषताओं को कैप्चर करता है, जो केवल परिमाण (magnitude) पर विचार करते हैं।
• तुलनात्मक विश्लेषण (Comparative Analysis): लेखक एक तुलनात्मक प्रदर्शन प्रदान करते हैं जो दिखाता है कि फूरियर ट्रांसफॉर्म-आधारित दृष्टिकोण, डायरेक्ट मैट्रिक्स क्रॉस-प्रोडक्ट पद्धति की तुलना में उच्च अनुकूल मान और अधिक सटीक पहचान प्रदान करता है।

4. परिणाम (Results)

लेखकों ने संख्यात्मक उदाहरणों के माध्यम से अपनी कार्यप्रणाली को मान्य किया:

• उदाहरण 1 (मैट्रिक्स दृष्टिकोण): चार बार सैंपल किए गए चार सिग्नलों के सेट का उपयोग करते हुए, एल्गोरिदम ने मैक्स-मिन निर्णय मैट्रिक्स के आधार पर एक संदर्भ सिग्नल की सफलतापूर्वक पहचान की।
• उदाहरण 2 (फूरियर दृष्टिकोण): दो इलेक्ट्रोमैग्नेटिक सिग्नल ($x_1$ और $x_2$) को दो बार सैंपल किया गया और एक संदर्भ सिग्नल $r$ के विरुद्ध तुलना की गई।
  • सिग्नल $x_1$ ने 0.18 का अधिकतम क्रॉस-प्रोडक्ट मान दिया।
  • सिग्नल $x_2$ ने 0.23 का अधिकतम क्रॉस-प्रोडक्ट मान दिया।
  • निष्कर्ष: चूंकि $0.23 > 0.18$ है, एल्गोरिदम ने सही ढंग से $x_2$ को संदर्भ सिग्नल के साथ उच्चतम समानता वाला सिग्नल पहचाना।
• प्रदर्शन (Performance): परिणामों ने पुष्टि की कि फूरियर ट्रांसफॉर्म पद्धति ने "उच्च अनुकूल मान" प्रदान किया, जिससे संदर्भ सिग्नल $R$ की अधिक निर्णायक पहचान हुई।

5. महत्व (Significance)

• अनिश्चितता को संभालना (Handling Uncertainty): प्रस्तावित मॉडल सिग्नल प्रोसेसिंग के लिए एक मजबूत गणितीय उपकरण प्रदान करता है, जहाँ बाइनरी लॉजिक विफल हो जाता है। यह प्रभावी रूप से "मिलान/गैर-मिलान" के बजाय "समानता की डिग्री" को मॉडल करता है।
• फेज सूचना (Phase Information): कॉम्प्लेक्स नंबरों के माध्यम से फेज टर्म को शामिल करके, यह विधि टाइमिंग और फ्रीक्वेंसी शिफ्टों को ध्यान में रखती है जो सिग्नल प्रोसेसिंग में महत्वपूर्ण हैं लेकिन अक्सर मानक फजी लॉजिक में अनदेखा कर दिए जाते हैं।
• निर्णय समर्थन (Decision Support): एल्गोरिदम निर्णय लेने के लिए एक स्पष्ट, मात्रात्मक मीट्रिक (अनुकूल मान) प्रदान करता है, जो बड़े डेटासेट से सबसे प्रासंगिक सिग्नल के चयन में सहायता करता है।
• भविष्य की क्षमता (Future Potential): शोध पत्र सुझाव देता है कि इस ढांचे को निरंतर शोर सिग्नलों (continuous noise signals) के लिए निरंतर फूरियर ट्रांसफॉर्म में विस्तारित किया जा सकता है, जो उन्नत संचार प्रणालियों और चिकित्सा सिग्नल विश्लेषण के लिए एक स्केलेबल समाधान प्रदान करता है।

संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि कॉम्प्लेक्स फजी सॉफ्ट मैट्रिसेस, जब फूरियर ट्रांसफॉर्म के साथ जुड़े होते हैं, तो सिग्नल पहचान के लिए एक बेहतर ढांचा प्रदान करते हैं, जो पारंपरिक क्रिस्प या मानक फजी तरीकों की तुलना में उच्च सटीकता और अनिश्चितता को बेहतर ढंग से संभालने की क्षमता रखते हैं।