⚡ electrical engineering

Orthogonal Least Squares with Integrated Information Theoretic Criteria for Joint Number of Targets and DoA Estimation

यह शोध पत्र तीन नवीन एल्गोरिदम प्रस्तावित करता है जो लक्ष्यों की संख्या और उनके आगमन की दिशाओं के अनुमान की संयुक्त समस्या को कुशलतापूर्वक और सटीक रूप से हल करने के लिए सूचना सैद्धांतिक मानदंडों (AIC और BIC) को ऑर्थोगोनल लीस्ट स्क्वायर्स के साथ एकीकृत करते हैं, जिसमें एक हाइब्रिड दृष्टिकोण सिमुलेशन में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Martin Willame, Gilles Monnoyer, François Horlin, Jérôme Louveaux

प्रकाशित 2026-05-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Martin Willame, Gilles Monnoyer, François Horlin, Jérôme Louveaux

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 भीड़भाड़ वाले कमरे में खड़े हैं जहाँ एक हाई-टेक माइक्रोफ़ोन ऐरे (एक एंटीना) है और आप यह समझने की कोशिश कर रहे हैं कि ठीक कितने लोग बात कर रहे हैं और वे कहाँ खड़े हैं। यह वही मुख्य चुनौती है जिसे यह शोध पत्र संबोधित करता है: रडार संकेतों का उपयोग करके लक्ष्यों (लोगों) की गिनती करना (कितने लोग हैं) और उनकी दिशा (वे कहाँ हैं) का पता लगाना, भले ही वहां बहुत अधिक बैकग्राउंड शोर हो।

यहाँ शोध पत्र के विचारों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

समस्या: "बहुत सारे विकल्प" की दुविधा

अतीत में, इसे हल करने का सबसे सटीक तरीका यह था कि लोगों और स्थानों के हर एक संभावित संयोजन को एक साथ आज़माया जाए।

उपमा: कल्पना कीजिए कि आप मेहमानों के हर एक संभावित संयोजन को हर एक मेज पर टेस्ट करके एक शादी के लिए सही बैठने की व्यवस्था खोजने की कोशिश कर रहे हैं। इसमें बहुत समय लगेगा। रडार के संदर्भ में, इसे "मैक्सिमम लाइकलीहुड" (Maximum Likelihood) कहा जाता है, और हालांकि यह सटीक है, लेकिन यह वास्तविक समय (real-time) के उपयोग के लिए बहुत धीमा है।
शॉर्टकट: चीजों को तेज़ करने के लिए, इंजीनियर OLS (ऑर्थोगोनल लीस्ट स्क्वायर्स) नामक एक "ग्रीडी" (greedy) विधि का उपयोग करते हैं।
उपमा: सभी को एक साथ टेस्ट करने के बजाय, आप पहले सबसे तेज़ आवाज़ वाले को चुनते हैं, फिर अगली सबसे तेज़ आवाज़ को, और इसी तरह। यह तेज़ है, लेकिन इसमें एक दोष है: आपको यह कैसे पता चलेगा कि कब रुकना है? यदि आप बहुत जल्दी रुक जाते हैं, तो आप लोगों को मिस कर देते हैं। यदि आप बहुत देर से रुकते हैं, तो आप बैकग्राउंड शोर को लोगों के रूप में गिनने लगते हैं।

समाधान: "स्मार्ट जज" (ITC)

यह शोध पत्र एक "स्मार्ट जज" पेश करता है जिसे इन्फॉर्मेशन थ्योरेटिक क्राइटेरिया (ITC) कहा जाता है। इस जज को एक नियम पुस्तिका के रूप में सोचें जो दो चीजों के बीच संतुलन बनाती है:

फिट (Fit): मेरी लोगों की सूची मेरे द्वारा सुने जा रहे शोर की कितनी अच्छी तरह व्याख्या करती है?
सरलता (Simplicity): सूची को बहुत लंबा न बनाएं जब तक कि वास्तव में आवश्यकता न हो।

समस्या यह है कि इस "स्मार्ट जज" को निर्णय लेने के लिए आमतौर पर धीमे, सटीक "मैक्सिमम लाइकलीहुड" डेटा की आवश्यकता होती है, जो हमें वापस गति की समस्या पर ले आता है।

नवाचार: तीन नई रणनीतियाँ

लेखकों ने तीन नए तरीके बनाए हैं जिससे "स्मार्ट जज" को धीमे डेटा की आवश्यकता के बिना तेज़ "ग्रीडी" विधि (OLS) के साथ काम करने में मदद मिल सके। ये एक खोज दल (search party) को व्यवस्थित करने के तीन अलग-अलग तरीकों की तरह हैं:

"पहले गिनती करें, फिर खोजें" विधि (Disjoint):
- यह कैसे काम करता है: पहले टीम एक त्वरित गणितीय ट्रिक का उपयोग करके यह अनुमान लगाती है कि कमरे में कितने लोग हैं। एक बार जब उनके पास वह संख्या आ जाती है, तो वे ठीक उतने ही लोगों को खोजने के लिए खोज दल भेजते हैं।
- कैच (Catch): यदि लोगों की संख्या के बारे में प्रारंभिक अनुमान गलत है, तो पूरी खोज गलत हो जाएगी।
"एक-एक करके जोड़ें" विधि (Joint Selection):
- यह कैसे काम करता है: टीम पहले एक व्यक्ति को ढूंढती है, फिर जज से पूछती है, "क्या मुझे दूसरे की तलाश करनी चाहिए?" फिर वे दूसरे व्यक्ति को ढूंढते हैं और पूछते हैं, "क्या मुझे तीसरे की तलाश करनी चाहिए?" वे तब तक चलते रहते हैं जब तक कि जज यह न कह दे, "रुक जाओ, तुम अब सिर्फ शोर ढूंढ रहे हो।"
- कैच (Catch): बहुत उच्च स्पष्टता (high signal) पर, जज भ्रमित हो सकता है और छोटी गूँज (echoes) के कारण सूची में नकली लोगों को जोड़ना जारी रख सकता है (overfitting)।
"हाइब्रिड" विधि (विजेता):
- यह कैसे काम करता है: यह इस शोध पत्र का मुख्य आकर्षण है। यह पहले दो तरीकों को जोड़ता है।
  - पहले, टीम एक त्वरित गणितीय ट्रिक का उपयोग करके लोगों की एक न्यूनतम संख्या प्राप्त करती है (जैसे, "निश्चित रूप से कम से कम 5 लोग हैं")।
  - फिर, यह "एक-एक करके जोड़ें" प्रक्रिया शुरू करती है। यह टीम को उन पहले 5 लोगों को खोजने के लिए मजबूर करती है।
  - इसके बाद, यह तय करने के लिए कि क्या और लोग हैं, यह "स्मार्ट जज" पर स्विच हो जाता है।
- यह क्यों जीतता है: यह दोनों दुनियाओं का सर्वश्रेष्ठ हिस्सा लेता है। यह स्पष्ट लोगों को मिस नहीं करता है (पहले चरण के कारण) और बाद में शोर से भ्रमित नहीं होता है (दूसरे चरण के कारण)।

गुप्त नुस्खा (Secret Sauce): "वॉल्यूम नॉब"

शोध पत्र एक विशेष "वॉल्यूम नॉब" (जिसे ML करेक्शन पैरामीटर कहा जाता है) भी पेश करता है जो "स्मार्ट जज" को बहुत शांत वातावरण (high signal-to-noise ratio) में बेहतर काम करने में मदद करता है।

उपमा: कल्पना कीजिए कि जज एक फुसफुसाहट सुन रहा है। बिना नॉब के, जज एक सरसराते पत्ते को इंसान समझ सकता है। नॉब संवेदनशीलता को बस इतना कम कर देता है कि जज पत्तों को अनदेखा कर दे लेकिन फिर भी फुसफुसाहट को सुन सके।
परिणाम: लेखकों ने पाया कि इस नॉब के लिए एक विशिष्ट सेटिंग (जिसे AIC कहा जाता है) का उपयोग करना उनके विशिष्ट रडार सेटअप के लिए दूसरे सेटिंग (BIC) की तुलना में बेहतर काम करता है।

निचोड़ (Bottom Line)

यह शोध पत्र सिद्ध करता है कि कंप्यूटर सिमुलेशन के माध्यम से यह हाइब्रिड विधि सबसे विश्वसनीय है। यह पुराने "जब तक शांत न हो जाए तब तक रुकें" वाले तरीकों या अन्य दो नई रणनीतियों की तुलना में लगातार सही संख्या में लक्ष्यों और उनके स्थानों को बेहतर ढंग से खोजती है।

संक्षेप में: उन्होंने यह पता लगाया है कि कैसे एक तेज़ रडार खोज को सटीक बनाया जाए ताकि वह लक्ष्यों को सही ढंग से गिन सके, भले ही सिग्नल जटिल हो, और इसके लिए एक त्वरित अनुमान के साथ एक स्मार्ट, चरण-दर-चरण सत्यापन प्रक्रिया को मिलाया गया है।

तकनीकी सारांश: संयुक्त लक्ष्य संख्या और DoA अनुमान के लिए एकीकृत सूचना सिद्धांत मानदंडों के साथ ऑर्थोगोनल लीस्ट स्क्वायर्स (Orthogonal Least Squares)

समस्या विवरण
एंटीना एरे का उपयोग करने वाले रडार अनुप्रयोगों में, कई लक्ष्यों के आगमन की दिशा (Direction-of-Arrival - DoA) का अनुमान लगाना एक मौलिक कार्य है। जबकि मैक्सिमम लाइकलीहुड (ML) अनुमानकर्ता सैद्धांतिक रूप से क्रैमर-राव लोअर बाउंड (CRLB) प्राप्त कर सकते हैं, उनकी कम्प्यूटेशनल जटिलता लक्ष्यों की संख्या के साथ तेजी से बढ़ती है, जो उन्हें वास्तविक समय के संचालन के लिए अनुपयुक्त बनाती है। ग्रीडी (Greedy) विधियाँ, जैसे कि ऑर्थोगोनल लीस्ट स्क्वायर्स (OLS), DoAs को पुनरावृत्ति (iteratively) के माध्यम से चुनकर एक कम्प्यूटेशनल रूप से कुशल विकल्प प्रदान करती हैं। हालाँकि, मानक OLS कार्यान्वयन में आमतौर पर लक्ष्यों की संख्या ( $K$ ) को पूर्व-निर्धारित (a priori) रूप से ज्ञात होना आवश्यक होता है। व्यवहार में, $K$ एक अज्ञात पैरामीटर है जिसे डेटा से अनुमानित किया जाना चाहिए।

$K$ का अनुमान लगाने के लिए मौजूदा दृष्टिकोण अक्सर अवशिष्ट ऊर्जा (residual energy) पर आधारित निश्चित-थ्रेशोल्ड स्टॉपिंग नियमों पर निर्भर करते हैं, जिन्हें ट्यून करना कठिन है क्योंकि इष्टतम थ्रेशोल्ड शोर और सिग्नल के बदलते स्तरों पर निर्भर करते हैं। वैकल्पिक रूप से, सूचना सिद्धांत मानदंड (Information Theoretic Criteria - ITC), जैसे कि अकीके इंफॉर्मेशन क्राइटेरियन (AIC) और बायेसियन इंफॉर्मेशन क्राइटेरियन (BIC), एक जटिलता दंड (complexity penalty) के विरुद्ध लाइकलीहुड टर्म को संतुलित करके मॉडल-ऑर्डर चयन के लिए एक व्यवस्थित ढांचा प्रदान करते हैं। हालांकि, ITC के प्रत्यक्ष अनुप्रयोग के लिए प्रत्येक संभावित मॉडल ऑर्डर के लिए ML पैरामीटर अनुमानों की आवश्यकता होती है, जो बहुआयामी खोजों की अत्यधिक कम्प्यूटेशनल लागत को पुनः पेश करता है।

कार्यप्रणाली (Methodology)
यह शोध पत्र एक ढांचे का प्रस्ताव करता है जो लक्ष्यों की संख्या और उनके DoAs के संयुक्त अनुमान के लिए ITC मॉडल-ऑर्डर चयन को सीधे OLS ग्रीडी अनुमान प्रक्रिया में एकीकृत करता है। लेखक तीन विशिष्ट एल्गोरिदम रणनीतियों को विकसित करते हैं:

डिस्क जॉइंट रैंक-आधारित ITC-OLS (Disjoint Rank-based ITC-OLS): यह दृष्टिकोण कार्यों को अलग करता है। पहले, प्राप्त संकेतों के सैंपल कोवेरियेंस मैट्रिक्स पर लागू एक रैंक-आधारित ITC का उपयोग करके लक्ष्यों की संख्या का अनुमान लगाया जाता है। यह अनुमान DoAs का अनुमान लगाने के लिए बाद की एक मानक OLS प्रक्रिया के लिए पुनरावृत्तियों (iterations) की संख्या निर्धारित करता है।
जॉइंट सिलेक्शन-आधारित ITC-OLS (Joint Selection-based ITC-OLS): यह विधि चयन प्रक्रिया को सीधे एकीकृत करती है। प्रत्येक उम्मीदवार $k$ के लिए पूर्ण ML अनुमानों की आवश्यकता के बिना, यह एल्गोरिदम प्रत्येक चरण में ग्रीडी OLS अनुमानों का उपयोग करता है। यह तथ्य कि OLS अनुमान ML अनुमान नहीं हैं, की भरपाई करने के लिए, एक संशोधित ITC ऑब्जेक्टिव फंक्शन पेश किया गया है। इस फंक्शन में एक "ML-करेक्शन पैरामीटर" ( $\sigma^2_c$ ) शामिल है, जिसे न्यूनतम शोर-विचरण स्तर के रूप में व्याख्यायित किया गया है। एल्गोरिदम केवल तभी एक नया लक्ष्य कोण जोड़ता है जब वह ITC ऑब्जेक्टिव मान को कम करता है, प्रभावी रूप से ITC का उपयोग एक गतिशील स्टॉपिंग मानदंड के रूप में करता है।
हाइब्रिड रैंक-एंड-सिलेक्शन-आधारित ITC-OLS (Hybrid Rank-and-Selection-based ITC-OLS): यह दृष्टिकोण पिछले दोनों की शक्तियों को जोड़ता है। यह पहले एक रैंक-आधारित ITC का उपयोग करके एक प्रारंभिक लक्ष्य गणना ( $\hat{K}$ ) का अनुमान लगाता है। इसके बाद OLS प्रक्रिया को कम से कम $\hat{K}$ लक्ष्य चुनने के लिए मजबूर किया जाता है। $\hat{K}$ के बाद के पुनरावृत्तियों के लिए, एल्गोरिदम संयुक्त चयन-आधारित ITC तर्क पर स्विच हो जाता है, और केवल तभी और लक्ष्य जोड़ता है जब वे ऑब्जेक्टिव फंक्शन में सुधार करते हैं। इस डिज़ाइन का उद्देश्य कम सिग्नल-टू-नॉइज़ रेशियो (SNR) पर रैंक-आधारित विधियों की मजबूती का लाभ उठाना है, जबकि उच्च SNR पर चयन-आधारित विधियों की सटीकता का उपयोग करना है।

ये सभी एल्गोरिदम AIC और BIC दोनों ढांचों के तहत व्युत्पन्न हैं। सिस्टम मॉडल एक निष्क्रिय रडार सेटअप को मानता है जिसमें एक्सेस पॉइंट से अज्ञात ऑर्थोगोनल फ्रीक्वेंसी डिवीजन मल्टीप्लेक्सिंग (OFDM) डेटा फ्रेम का उपयोग किया जाता है, जहाँ रिसीवर ट्रांसमिटेड सिम्बल्स को डिकोड नहीं करता है।

मुख्य योगदान
यह शोध पत्र निम्नलिखित विशिष्ट योगदान देता है:

नवीन एल्गोरिदम: तीन एल्गोरिदम (डिस्क जॉइंट, जॉइंट, और हाइब्रिड) का प्रस्ताव जो सफलतापूर्वक लक्ष्य-संख्या अनुमान (ITC) को DoA अनुमान (OLS) के साथ जोड़ते हैं।
ML-करेक्शन पैरामीटर: ITC ऑब्जेक्टिव फंक्शन के भीतर एक पैरामीटर ( $\sigma^2_c$ ) का परिचय। यह कम्प्यूटेशनल रूप से महंगे ML अनुमानों के स्थान पर ग्रीडी OLS अनुमानों के उपयोग की अनुमति देता है। यह पैरामीटर हिट रेट और फॉल्स-अलार्म रेट के बीच के संतुलन को नियंत्रित करता है, विशेष रूप से उच्च SNR पर जहाँ ग्रीडी विधियाँ स्प्यूरियस (spurious) लक्ष्यों का पता लगाकर ओवरफिटिंग कर सकती हैं।
व्यावहारिक अनुप्रयोग: अज्ञात OFDM डेटा का उपयोग करके एक पैसिव रडार परिदृश्य में इन विधियों का अनुप्रयोग, जो सिंबल डिकोडिंग के बिना व्यवहार्यता प्रदर्शित करता है।
प्रदर्शन विश्लेषण: एक व्यापक संख्यात्मक मूल्यांकन जो दिखाता है कि हाइब्रिड एल्गोरिदम अन्य वेरिएंट और एक बेसलाइन फिक्स्ड-थ्रेशोल्ड विधि की तुलना में लगातार बेहतर प्रदर्शन करता है।

परिणाम
10,000 मोंटे-कार्लो रन पर आयोजित संख्यात्मक सिमुलेशन में, एल्गोरिदम का मूल्यांकन यूडन के J सांख्यिकी (हिट रेट और फॉल्स-अलार्म रेट के बीच का अंतर) का उपयोग करके किया गया। मुख्य निष्कर्ष इस प्रकार हैं:

हाइब्रिड दृष्टिकोण की श्रेष्ठता: हाइब्रिड ITC-OLS एल्गोरिदम ने विभिन्न SNR स्तरों, लक्ष्यों की संख्या और बैंडविड्थ (सब-कैरियर्स की संख्या) के बीच सबसे अच्छा समग्र प्रदर्शन प्राप्त किया। इसने रैंक-आधारित और चयन-आधारित रणनीतियों की पूरकता का सफलतापूर्वक लाभ उठाया।
AIC बनाम BIC: मूल्यांकित परिदृश्य में, AIC-आधारित वेरिएंट्स ने BIC-आधारित वेरिएंट्स की तुलना में लगातार बेहतर प्रदर्शन किया।
SNR शासन (Regimes):
- कम SNR पर, डिस्क जॉइंट रैंक-आधारित विधि श्रेष्ठ थी क्योंकि चयन-आधारित विधि ऑब्जेक्टिव फंक्शन में शोर के प्रभुत्व के कारण बहुत जल्दी रुक जाती थी।
- मध्यम से उच्च SNR पर, जॉइंट और हाइब्रिड विधियों ने प्रदर्शन में सुधार किया क्योंकि OLS एंगल अनुमानों की गुणवत्ता बढ़ गई।
पैरामीटर ट्यूनिंग: उच्च SNR पर ओवरएस्टिमेशन को रोकने के लिए $\sigma^2_c$ का ML-करेक्शन पैरामीटर महत्वपूर्ण पाया गया। AIC के लिए $-35$ dB और BIC के लिए $-45$ dB के आसपास इष्टतम मानों की पहचान की गई। ये मान सिम्बल्स, सब-कैरियर्स और लक्ष्यों की संख्या में भिन्नता के बावजूद मजबूत पाए गए, हालांकि उन्हें विभिन्न एंटीना एरे आकारों के लिए ट्यूनिंग की आवश्यकता हो सकती है।

महत्व
यह शोध पत्र दावा करता है कि इसका प्राथमिक महत्व ग्रीडी OLS विधियों की कम्प्यूटेशनल दक्षता और ITC मॉडल-ऑर्डर चयन की सांख्यिकीय कठोरता के बीच के अंतर को पाटने में निहित है। महंगे ML खोजों की आवश्यकता को दरकिनार करके, प्रस्तावित विधियाँ लक्ष्य संख्या और DoA के संयुक्त अनुमान के लिए वास्तविक समय की क्षमता प्रदान करती हैं। विशेष रूप से हाइब्रिड दृष्टिकोण एक मजबूत समाधान प्रदान करता है जो मैन्युअल थ्रेशोल्ड ट्यूनिंग की आवश्यकता के बिना विभिन्न शोर शासनों (noise regimes) के अनुकूल होता है, जो व्यावहारिक रडार प्रणालियों में एक ज्ञात सीमा को संबोधित करता है।

समस्या: "बहुत सारे विकल्प" की दुविधा

समाधान: "स्मार्ट जज" (ITC)

नवाचार: तीन नई रणनीतियाँ

गुप्त नुस्खा (Secret Sauce): "वॉल्यूम नॉब"

निचोड़ (Bottom Line)

इसी तरह के और पेपर