⚡ electrical engineering

Incremental Learning-Based Open-Set Classification of Unknown UAVs via RF Signal Semantics

यह शोध पत्र एक एकीकृत वृद्धिशील ओपन-सेट लर्निंग फ्रेमवर्क प्रस्तावित करता है जो अज्ञात यूएवी (UAV) का पता लगाने के लिए आरएफ (RF) सिग्नल सिमेंटिक्स का लाभ उठाता है, अनुकूली क्लस्टरिंग के माध्यम से नई श्रेणियों की स्वचालित रूप से खोज करता है, और विनाशकारी विस्मृति (catastrophic forgetting) को कम करते हुए उन्हें वृद्धिशील रूप से एकीकृत करता है, जिससे गतिशील वास्तविक दुनिया के हवाई क्षेत्र में मजबूत पहचान सक्षम होती है।

मूल लेखक: Julie Liu, Irshad A. Meer, Cicek Cavdar, Mustafa Ozger

प्रकाशित 2026-03-26

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Julie Liu, Irshad A. Meer, Cicek Cavdar, Mustafa Ozger

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक व्यस्त हवाई अड्डे पर सुरक्षा गार्ड हैं। आपका काम आसमान में ड्रोन को पहचानना है।

पुराना तरीका (क्लोज्ड-सेट लर्निंग - Closed-Set Learning):
अतीत में, सुरक्षा गार्डों को ठीक 18 विशिष्ट ड्रोन मॉडलों की तस्वीरों वाले एक फोटो एल्बम के साथ प्रशिक्षित किया जाता था। यदि कोई ड्रोन पास से गुजरता, तो गार्ड एल्बम की जाँच करता।

अगर ड्रोन किसी फोटो से मेल खाता, तो वे कहते, "यह एक DJI Mini है!"
यदि कोई नया ड्रोन (जो एल्बम में नहीं था) पास से गुजरता, तो गार्ड फिर भी जबरदस्ती मिलान करने की कोशिश करता। वे शायद अपनी आँखें सिकोड़ते और कहते, "यह थोड़ा बहुत DJI Mini जैसा दिखता है, तो यह वही होना चाहिए!" यह खतरनाक है क्योंकि वे गलत उत्तर के बारे में अति-आत्मविश्वासी (overconfident) हो जाते हैं। वे यह नहीं कह सकते कि, "मुझे नहीं पता कि यह क्या है।"

नया तरीका (इस पेपर का समाधान):
शोधकर्ताओं (जूली लियू और उनकी टीम) ने एक "स्मार्ट गार्ड" सिस्टम बनाया है जो वास्तविक दुनिया को संभाल सकता है, जहाँ नए ड्रोन लगातार दिखाई देते हैं। वे इसे इन्क्रीमेंटल ओपन-सेट लर्निंग (Incremental Open-Set Learning) कहते हैं।

उनका सिस्टम इस प्रकार काम करता है, जिसे तीन सरल चरणों में उपमाओं (analogies) के माध्यम से समझा जा सकता है:

1. "अनुवादक" (सेमेंटिक एम्बेडिंग - Semantic Embedding)

सबसे पहले, सिस्टम ड्रोनों के रेडियो "फुसफुसाहट" (RF सिग्नल्स) को सुनता है। ये सिग्नल अव्यवस्थित और जटिल होते हैं।

उपमा: कल्पना कीजिए कि सिस्टम एक अनुवादक है जो एक विदेशी भाषा (रेडियो तरंगों) को एक सार्वभौमिक "विचार भाषा" में बदल देता है। "बीप-बूप" सुनने के बजाय, अनुवादक कहता है, "यह एक तेज़, छोटे पक्षी जैसा लगता है," या "यह एक धीमे, भारी ट्रक जैसा लगता है।"
यह कैसे काम करता है: यह रेडियो शोर को एक साफ, व्यवस्थित मानचित्र में बदलने के लिए उन्नत गणित (जैसे CNNs और Transformers का मिश्रण) का उपयोग करता है जहाँ समान ड्रोन एक साथ क्लस्टर (समूह) बनाते हैं और अलग ड्रोन दूर रहते हैं।

2. "बाउंसर" (ओपन-सेट रिकग्निशन - Open-Set Recognition)

एक बार जब सिग्नल का अनुवाद हो जाता है, तो सिस्टम एक क्लब के बाउंसर की तरह काम करता है।

उपमा: बाउंसर के पास वीआईपी (18 ज्ञात ड्रोन) की एक सूची होती है। वह आने वाले हर व्यक्ति के आईडी की जाँच करता है।
- यदि आईडी सूची से पूरी तरह मेल खाती है, तो उन्हें अंदर जाने दिया जाता है।
- यदि आईडी अजीब है या सूची में किसी से भी मेल नहीं खाती, तो बाउंसर अनुमान नहीं लगाता। वह कहता है, "आप अज्ञात (unknown) हैं," और उन्हें एक होल्डिंग एरिया में भेज देता है।
जादू: पुराने सिस्टमों के विपरीत, यह बाउंसर स्वीकार करता है कि वह किसी को नहीं पहचानता। वह यह मापने के लिए कि नया सिग्नल ज्ञात वीआईपी से कितना दूर है, एक "दूरी नियम" (Mahalanobis distance) का उपयोग करता है। यदि यह बहुत दूर है, तो इसे खारिज कर दिया जाता है।

3. "डिटेक्टिव और आर्काइविस्ट" (क्लस्टरिंग और इन्क्रीमेंटल लर्निंग)

यहीं पर सिस्टम वास्तव में स्मार्ट हो जाता है। यह केवल "अज्ञात" को फेंक नहीं देता; बल्कि यह उनसे सीखता है।

डिटेक्टिव (क्लस्टरिंग - Clustering): खारिज किए गए "अज्ञात" ड्रोनों को एक वेटिंग रूम में रखा जाता है। सिस्टम एक डिटेक्टिव की तरह काम करता है, उनके "विचारों" (फीचर्स) को देखता है और उन्हें समूहों में बांटता है।
- उपमा: यदि 10 अज्ञात ड्रोन सभी "तेज़, छोटे पक्षी" जैसे लगते हैं, तो डिटेक्टिव उन्हें एक साथ समूह में रखता है और कहता है, "ठीक है, हमारे पास यहाँ एक नई श्रेणी है: फास्ट बर्ड टाइप A।"
- सिस्टम यह चुनने में सक्षम है कि उन्हें समूह में रखने का सबसे अच्छा तरीका क्या है (K-Means और GMM जैसे गणितीय उपकरणों के मिश्रण का उपयोग करके) ताकि वह गलतियाँ न करे।
आर्काइविस्ट (इन्क्रीमेंटल लर्निंग - Incremental Learning): अब सिस्टम के पास एक नई श्रेणी है। इसे पुराने को भूले बिना सीखना होगा।
- समस्या: आमतौर पर, जब आप कुछ नया सीखते हैं, तो आप पुराना भूल जाते हैं (कैटास्ट्रोफिक फॉरगेटिंग - Catastrophic Forgetting)।
- समाधान: सिस्टम पुराने वीआईपी की एक छोटी, "मेमोरी-बाउंडेड" फोटो एल्बम (Replay Memory) रखता है। जब यह नई "फास्ट बर्ड" श्रेणी को सीखता है, तो यह सुनिश्चित करने के लिए कि यह पुराना भूल न जाए, पुराने फोटो की संक्षिप्त समीक्षा करता है।
- परिणाम: यह अपने मस्तिष्क को नए ड्रोन को पहचानने के लिए अपडेट करता है, पुराने ज्ञान को सुरक्षित रखता है, और इसके लिए बहुत कम स्टोरेज स्पेस की आवश्यकता होती है।

यह क्यों मायने रखता है?

वास्तविक दुनिया की सुरक्षा: वास्तविक आसमान में, हर दिन नए ड्रोन मॉडल आते हैं। यह सिस्टम क्रैश नहीं होता या गलत अनुमान नहीं लगाता; यह कहता है "मुझे नहीं पता" और फिर उस नए प्रकार को सीख लेता है।
दक्षता (Efficiency): इसे हर बार नया ड्रोन दिखने पर पूरे सिस्टम को फिर से प्रशिक्षित करने की आवश्यकता नहीं होती है। यह बस अपने ज्ञान में एक छोटा सा "पैच" जोड़ देता है।
कम लागत: यह बहुत कम मेमोरी के साथ काम करता है, जिसका अर्थ है कि यह केवल विशाल सुपर कंप्यूटरों पर ही नहीं, बल्कि क्षेत्र में मौजूद छोटे उपकरणों पर भी चल सकता है।

संक्षेप में:
यह पेपर कंप्यूटर को एक ऐसा सुरक्षा गार्ड बनना सिखाता है जो यह स्वीकार करता है कि वह एक ड्रोन को नहीं पहचानता, फिर वह समझता है कि वह किस प्रकार का नया ड्रोन है, और बिना पुराने को भूले उसे अपनी मेमोरी बुक में जोड़ लेता है। यह एक कठोर, "सब-या-कुछ-नहीं" वाले सिस्टम को एक लचीले, आजीवन सीखने वाले सिस्टम में बदल देता है।

यहाँ शोध पत्र "Incremental Learning-Based Open-Set Classification of Unknown UAVs via RF Signal Semantics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

अनमैन्ड एरियल व्हीकल्स (UAVs) की बढ़ती संख्या के लिए विश्वसनीय रेडियो फ्रीक्वेंसी (RF) पहचान प्रणालियों की आवश्यकता है। हालाँकि, वास्तविक दुनिया में तैनाती के दौरान मौजूदा RF-आधारित पहचान विधियाँ दो महत्वपूर्ण सीमाओं से जूझती हैं:

क्लोज्ड-सेट धारणा (Closed-Set Assumption): पारंपरिक मॉडल यह मान लेते हैं कि प्रशिक्षण के दौरान सभी UAV प्रकार ज्ञात हैं। गतिशील हवाई क्षेत्र में, नए या संशोधित UAV अक्सर उभरते हैं, जिससे ये मॉडल अज्ञात संकेतों का अत्यधिक आत्मविश्वास के साथ गलत वर्गीकरण (overconfident misclassifications) करने लगते हैं।
कैटास्ट्रोफिक फॉरगेटिंग (Catastrophic Forgetting): जबकि ओपन-सेट रिकग्निशन (OSR) अज्ञात को पहचान सकता है, यह आमतौर पर उन्हें बिना सीखे ही अस्वीकार कर देता है। इंक्रीमेंटल लर्निंग (IL) नए वर्गों (classes) के अनुकूल हो सकता है, लेकिन RF संकेत जटिल-मान (complex-valued), पर्यावरण-निर्भर और नॉन-स्टेशनरी होते हैं, जिससे बिना पुन: प्रशिक्षण (retraining) के या पुराने ज्ञान को खोए बिना (catastrophic forgetting) स्थिर अनुकूलन करना कठिन हो जाता है।

उद्देश्य: एक एकीकृत ढांचा विकसित करना जो सख्त मेमोरी और कम्प्यूटेशनल बाधाओं के तहत ओपन-सेट रिकग्निशन (अज्ञातों का पता लगाना), नोवेल क्लास डिस्कवरी (अज्ञातों को नई श्रेणियों में क्लस्टर करना), और इंक्रीमेंटल लर्निंग (पुराने ज्ञान को बनाए रखते हुए नए वर्गों को एकीकृत करना) को निष्पादित करता है।

2. कार्यप्रणाली (Methodology)

प्रस्तावित ढांचा एक एकीकृत पाइपलाइन के रूप में कार्य करता है जिसमें चार मुख्य चरण शामिल हैं:

A. सिमेंटिक एम्बेडिंग लर्निंग (Semantic Embedding Learning)

इनपुट प्रोसेसिंग: कच्चे I/Q RF संकेतों को शॉर्ट-टाइम फूरियर ट्रांसफॉर्म (STFT) का उपयोग करके टाइम-फ्रीक्वेंसी स्पेक्ट्रोग्राम में बदला जाता है और सामान्यीकृत (normalize) किया जाता है।
हाइब्रिड एनकोडर: एक डुअल-ब्रांच आर्किटेक्चर फीचर्स निकालता है:
- CNN ब्रांच: सूक्ष्म स्पेक्ट्रल बनावट (fine-grained spectral textures) और वाइडबैंड टेम्पोरल एनवेलोप्स को कैप्चर करने के लिए मल्टीस्केल डाइलेटेड कनवल्शन का उपयोग करता है।
- ट्रांसफॉर्मर ब्रांच: लॉन्ग-रेंज डिपेंडेंसी को मॉडल करने और टाइम-फ्रीक्वेंसी लोकैलिटी को संरक्षित करने के लिए साइनुसोइडल पोजीशनल एनकोडिंग के साथ सेल्फ-अटेंशन का उपयोग करती है।
फीचर फ्यूजन: मध्यवर्ती फीचर्स को मल्टी-नॉनलीन लेयर्स (MNL) के माध्यम से एक कॉम्पैक्ट सिमेंटिक एम्बेडिंग ( $z$ ) में फ्यूज किया जाता है।
लॉस फंक्शन: इसे ज्ञात वर्गों के सुस्पष्ट क्लस्टरिंग को सुनिश्चित करने के लिए इंट्रा-क्लास कॉम्पैक्टनेस, इंटर-क्लास मार्जिन सेपरेशन और क्रॉस-एन्ट्रॉपी को मिलाकर एक कंपोजिट लॉस ( $L_{feat}$ ) का उपयोग करके प्रशिक्षित किया जाता है।

B. ओपन-सेट रिकग्निशन (OSR)

तंत्र (Mechanism): एम्बेडिंग स्पेस में ज्ञात वर्गों को गाऊसी सांख्यिकी (माध्य $\mu_k$ और कोवेरिएंस $\Sigma_k$ ) का उपयोग करके मॉडल किया जाता है।
निर्णय नियम (Decision Rule): अनुमान (inference) के दौरान, टेस्ट सैंपल और ज्ञात वर्ग वितरणों के बीच महालानोबिस दूरी ( $d_k$ ) की गणना की जाती है।
थ्रेशहोल्डिंग: एक डायनेमिक थ्रेशहोल्ड ( $\tau_k$ $τ_{k}$ ) को थ्री-सिग्मा नियम (99.7% कॉन्फिडेंस बाउंड्री) का उपयोग करके प्राप्त किया जाता है।
- यदि $d_k < \tau_k$ : सैंपल को ज्ञात वर्ग $k$ के रूप में वर्गीकृत किया जाता है।
- यदि $d_k \ge \tau_k$ : सैंपल को "अज्ञात" के रूप में अस्वीकार कर दिया जाता है और आगे के प्रसंस्करण के लिए एक बफर ( $U$ ) में संग्रहीत किया जाता है।

C. नोवेल क्लास डिस्कवरी के लिए क्लस्टरिंग (Clustering for Novel Class Discovery)

प्रीप्रोसेसिंग: अस्वीकृत नमूनों को मानकीकृत (standardized) किया जाता है। यदि डाइमेंशनलिटी अधिक है (>64), तो डाइमेंशन कम करने और 'कर्स ऑफ डाइमेंशनैलिटी' को कम करने के लिए PCA लागू किया जाता है।
एल्गोरिदम चयन: सिस्टम K-Means और गॉसियन मिक्सचर मॉडल (GMM) दोनों का मूल्यांकन करता है।
इष्टतम क्लस्टर चयन: सर्वश्रेष्ठ क्लस्टरिंग परिणाम चुनने के लिए एक कंपोजिट वैलिडिटी स्कोर ( $Q(k)$ ) की गणना की जाती है। यह स्कोर निम्नलिखित को एकीकृत करता है:
- सिलुएट स्कोर ( $S_k$ )
- कालिंस्की-हाराबज़ इंडेक्स ( $CH_k$ )
- डेविस-बोल्डिन इंडेक्स ( $DB_k$ )
- स्पष्ट भिन्नता ( $V_k$ )
- एल्बो मेथड (Elbow Method): इनर्टिया कर्व्स में इन्फ्लेक्शन पॉइंट्स का पता लगाने के लिए उपयोग किया जाता है।
फिल्टरिंग: उच्च शुद्धता (purity) और उपयुक्त आकार वाले क्लस्टर्स को नए UAV श्रेणियों ( $C_{new}$ ) के रूप में रखा जाता है।

D. लाइटवेट रिप्ले के साथ इंक्रीमेंटल लर्निंग (Incremental Learning with Lightweight Replay)

एकीकरण: नए खोजे गए वर्गों को बिना पूर्ण पुन: प्रशिक्षण के क्लासिफायर में एकीकृत किया जाता है।
रिप्ले मैकेनिज्म: एक मेमोरी-बाउंडेड रिप्ले बफर ( $M$ ) पुराने वर्गों ( $C_{old}$ ) से सीमित प्रतिनिधि नमूनों को संग्रहीत करता है।
प्रशिक्षण: मॉडल को नए नमूनों और पुन: खेले गए (replayed) पुराने नमूनों के मिश्रित बैच का उपयोग करके अपडेट किया जाता है। यह क्रॉस-एन्ट्रॉपी लॉस ( $L_{CE}$ ) को कम करता है और पहले से सीखे गए वर्गों की निर्णय सीमाओं (decision boundaries) को सुरक्षित रखता है, जिससे कैटास्ट्रोफिक फॉरगेटिंग प्रभावी रूप से कम हो जाती है।

3. प्रमुख योगदान (Key Contributions)

एकीकृत ढांचा: RF-आधारित UAV पहचान के लिए OSR, क्लस्टरिंग-आधारित डिस्कवरी और रिप्ले-आधारित IL को एकीकृत करने वाला एक स्केलेबल पाइपलाइन।
मजबूत क्लस्टरिंग रणनीति: शोर वाले RF वातावरण में भी विश्वसनीय खोज सुनिश्चित करने के लिए एक कंपोजिट वैलिडिटी स्कोर का उपयोग करने वाला ऑटोमैटिक मॉडल-ऑर्डर सिलेक्शन मैकेनिज्म।
मेमोरी-कुशल अनुकूलन: एक हल्का इंक्रीमेंटल लर्निंग मैकेनिज्म जो बड़े पैमाने पर पुन: प्रशिक्षण के बिना स्थिरता (पुराने ज्ञान का प्रतिधारण) और प्लास्टिसिटी (नए वर्गों को सीखना) बनाए रखने के लिए बाउंडेड रिप्ले का उपयोग करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

ढांचे का मूल्यांकन 915 MHz, 2.4 GHz और 5.8 GHz बैंडों में 24 UAV वर्गों (18 ज्ञात, 6 अज्ञात) वाले वास्तविक डेटासेट पर किया गया।

ओपन-सेट डिटेक्शन: महालानोबिस-आधारित निर्णय सीमा ने ज्ञात वर्गों से अज्ञात संकेतों को प्रभावी ढंग से अलग किया, जिससे अत्यधिक आत्मविश्वास वाले गलत वर्गीकरणों को रोका गया।
क्लस्टरिंग प्रदर्शन:
- प्रस्तावित कंपोजिट चयन रणनीति ने GMM की तुलना में K-Means को स्वचालित रूप से चुना।
- प्योरिटी (Purity): खोजे गए क्लस्टर्स के लिए 92.1% शुद्धता प्राप्त की, जो GMM (90.6%) से काफी बेहतर है।
- विजुअल वैलिडेशन: t-SNE विज़ुअलाइज़ेशन ने अनुमानित क्लस्टर्स और ग्राउंड-ट्रुथ अज्ञात वर्गों के बीच मजबूत संरेखण दिखाया, हालांकि इंट्रा-क्लास परिवर्तनशीलता (जैसे, विभिन्न उड़ान मोड) के कारण कुछ विखंडन हुआ।
इंक्रीमेंटल लर्निंग:
- रिप्ले के बिना: कैटास्ट्रोफिक फॉरगेटिंग हुई, जिससे पुराने वर्ग की सटीकता गिरकर 0% हो गई।
- न्यूनतम रिप्ले के साथ: एक छोटा रिप्ले बजट (प्रत्येक पुराने वर्ग के लिए 5 नमूने) ने पुराने वर्ग की सटीकता को 100% तक बहाल कर दिया, जबकि नए वर्गों पर ~98% सटीकता बनाए रखी।
- इस न्यूनतम थ्रेशोल्ड से अधिक रिप्ले आकार बढ़ाने से नगण्य सुधार हुआ, जो दृष्टिकोण की दक्षता को सिद्ध करता है।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

महत्व: यह कार्य UAV निगरानी में "ओपन-वर्ल्ड" चुनौती को संबोधित करता है, जो स्थिर, क्लोज्ड-सेट मॉडल से आगे बढ़ता है। यह प्रदर्शित करता है कि न्यूनतम मेमोरी ओवरहेड के साथ RF संकेतों के लिए विश्वसनीय, लाइफलॉन्ग लर्निंग संभव है, जो सीमित स्टोरेज वाले फील्ड-डिप्लॉयबल सिस्टम के लिए उपयुक्त है।
सीमाएं और भविष्य की दिशाएं:
- वर्तमान मूल्यांकन एक निश्चित क्लास स्प्लिट का उपयोग करता; भविष्य के कार्य रैंडम अज्ञात-वर्ग चयन का परीक्षण करेंगे।
- अत्यधिक जटिल RF वातावरण के लिए गाऊसी सन्निकटन (Gaussian approximation) को परिष्कृत करने की आवश्यकता हो सकती है।
- भविष्य का शोध डोमेन-इनवेरिएंट फीचर एक्सट्रैक्शन, रियल-टाइम एम्बेडेड डिप्लॉयमेंट और वितरित निगरानी नोड्स के बीच फेडरेटेड लर्निंग का पता लगाएगा।