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

हमारे चारों ओर फैले इस अदृश्य महासागर में, रेडियो तरंगों के रूप में सूचनाओं की एक निरंतर धारा प्रवाहित होती रहती है। ये तरंगें आपातकालीन प्रसारणों से लेकर हमारे स्मार्टफोन को शक्ति देने वाले डेटा तक सब कुछ ले जाती हैं, लेकिन वे अक्सर दुनिया के शोर-शराबे (static) के पीछे छिपी रहती हैं और सामान्य दृष्टि से ओझल रहती हैं। इस अराजक वातावरण को समझने के लिए, इंजीनियर 'ऑटोमैटिक मॉड्यूलेशन रिकग्निशन' (automatic modulation recognition) नामक एक प्रक्रिया पर भरोसा करते हैं। इसे वायु तरंगों के लिए एक अनुवादक के रूप में समझें; इसका काम सिग्नल को सुनना और तुरंत यह पहचानना है कि वह किस प्रकार के कोड का उपयोग कर रहा है। विभिन्न सिग्नल सूचनाओं को पैक करने के लिए अलग-अलग तरीकों का उपयोग करते हैं, ठीक वैसे ही जैसे विभिन्न भाषाएँ अलग-अलग वाक्य संरचनाओं का उपयोग करती हैं। कुछ सिग्नल सरल और मजबूत होते हैं, जबकि अन्य जटिल और कुशल होते हैं, जो उसी स्थान में अधिक डेटा पैक करते हैं। चुनौती तब उत्पन्न होती है जब ये सिग्नल कमजोर होते हैं या अन्य इलेक्ट्रॉनिक उपकरणों के हस्तक्षेप या वायुमंडल के प्राकृतिक शोर के नीचे दब जाते हैं। इन कठिन परिस्थितियों में, सिग्नल के प्रकारों के बीच सूक्ष्म अंतर लुप्त हो सकते हैं, जिससे पारंपरिक प्रणालियों के लिए उनके बीच अंतर करना लगभग असंभव हो जाता है। यह सैन्य टोही (military reconnaissance), स्पेक्ट्रम निगरानी और वायरलेस संचार के भविष्य के लिए एक महत्वपूर्ण समस्या है, जहाँ सिग्नल के बारे में सटीक जानकारी होना सफलता और विफलता के बीच का अंतर हो सकता है।

चोंगकिंग पॉलिटेक्निक यूनिवर्सिटी ऑफ इलेक्ट्रॉनिक टेक्नोलॉजी और चोंगकिंग ओपन यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जो विशेष रूप से उस भ्रम को लक्षित करता है जो कमजोर संकेतों के दौरान होता है। उनका तरीका, जो हाल ही में किए गए एक अध्ययन में विस्तृत है, एक एकल, विशाल कंप्यूटर मॉडल को सब कुछ एक साथ करने के लिए मजबूर करने से हटकर है। इसके बजाय, उन्होंने एक ऐसा सिस्टम डिज़ाइन किया है जो दो-चरणीय स्क्रीनिंग प्रक्रिया की तरह काम करता है, जो गति को गहन, सूक्ष्म विश्लेषण के साथ जोड़ता है। शोधकर्ताओं ने महसूस किया कि सभी सिग्नल समान नहीं होते हैं। कुछ सिग्नल, जैसे कि बुनियादी फ्रीक्वेंसी मॉड्यूलेशन में उपयोग किए जाने वाले, स्पष्ट आकार रखते हैं जिन्हें शोर भरे कमरे में भी आसानी से पहचाना जा सकता है। अन्य, विशेष रूप से उच्च-क्रम (high-order) डिजिटल सिग्नल, एक-दूसरे के अविश्वसनीय रूप से समान होते हैं, जो केवल आयाम (amplitude) और चरण (phase) के सूक्ष्म पैटर्न में भिन्न होते हैं, जो कमजोर होने पर आसानी से खो जाते हैं। इस विविधता को संभालने के लिए, टीम ने एक 'डुअल-ब्रांच नेटवर्क' बनाया। पहला भाग एक हल्का, तेज़ चलने वाला सिस्टम है जिसे सभी आने वाले सिग्नलों को तेज़ी से स्कैन करने और आसान सिग्नलों को फ़िल्टर करने के लिए डिज़ाइन किया गया है। यह भाग एक तीव्र छलनी की तरह कार्य करता है, जो स्पष्ट सिग्नलों को पकड़ लेता है और दूसरे भाग के लिए रास्ता साफ करता है।

दूसरा भाग वह है जहाँ कठिन मामलों के लिए वास्तविक काम होता है। एक बार जब आसान सिग्नलों को अलग कर दिया जाता है, तो सिस्टम अपना पूरा ध्यान उन छह प्रकार के उच्च-क्रम सिग्नलों पर केंद्रित करता है जिनके आपस में भ्रमित होने की सबसे अधिक संभावना होती है। नेटवर्क का यह विशेष हिस्सा एक 'डुअल-अटेंशन मैकेनिज्म' का उपयोग करता है, जो केंद्रित आँखों की एक जोड़ी की तरह कार्य करता है जो जानते हैं कि कहाँ देखना है। यह सिग्नल का दो अलग-अलग दृष्टिकोणों से एक साथ परीक्षण करता है: एक जो डेटा के समय और अनुक्रम (sequence) को देखता है, और दूसरा जो सिग्नल के घटकों की शक्ति और वितरण को देखता है। इन विभिन्न विशेषताओं को तौलकर, सिस्टम उन धुंधले, महत्वपूर्ण विवरणों को चुन सकता है जो एक जटिल सिग्नल को दूसरे से अलग करते हैं, भले ही वे भारी शोर के नीचे दबे हों। अंतिम चरण में एक निर्णय लेने वाला मॉड्यूल (decision-making module) शामिल है जो दोनों शाखाओं की बात सुनता है। यह उनके उत्तरों के आत्मविश्वास स्तर की तुलना करता है और सबसे विश्वसनीय परिणाम का चयन करता है, यह सुनिश्चित करता है कि अंतिम पहचान उपलब्ध साक्ष्यों के आधार पर सबसे अच्छा अनुमान हो।

इस दृष्टिकोण के परिणामों का परीक्षण सिग्नल की शक्ति की एक विस्तृत श्रृंखला में किया गया, जो बहुत कमजोर सिग्नलों से लेकर मजबूत, स्पष्ट ट्रांसमिशन तक फैला हुआ था। शोधकर्ताओं ने पाया कि उनके डुअल-ब्रांच पद्धति ने पूरे परीक्षण रेंज में 86.1% की समग्र पहचान सटीकता प्राप्त की। यह प्रदर्शन विशेष रूप से कम-सिग्नल वाली स्थितियों में प्रभावशाली था जो आमतौर पर अन्य प्रणालियों को विफल कर देते हैं। उस महत्वपूर्ण रेंज में जहाँ सिग्नल कमजोर होते हैं, विशेष रूप से -8 dB और 0 dB के बीच, नई विधि ने 71.8% की औसत पहचान दर प्राप्त की। यह मौजूदा मॉडलों की तुलना में एक महत्वपूर्ण सुधार है, जो इस विशेष दो-चरणीय आर्किटेक्चर के लाभ के बिना समान स्तर की सटीकता तक पहुँचने में संघर्ष करते थे। अध्ययन ने दिखाया कि जबकि एक एकल, सरल नेटवर्क आसान सिग्नलों की अच्छी पहचान कर सकता था, वह जटिल सिग्नलों के साथ बुरी तरह विफल रहा। इसके विपरीत, विशेष नेटवर्क अकेले जटिल सिग्नलों के लिए उत्कृष्ट था लेकिन सरल सिग्नलों से भ्रमित हो गया। केवल इन दोनों को एक साथ मिलाकर ही सिस्टम ने एक ऐसा संतुलन प्राप्त किया जो परीक्षण किए गए बारह प्रकार के सिग्नलों के लिए काम कर सका, जिसमें फेज और एम्प्लीट्यूड मॉड्यूलेशन के विभिन्न रूप शामिल थे।

शोधकर्ताओं ने अपने तरीके की तुलना इस कार्य के लिए उपयोग किए जाने वाले कई अन्य अग्रणी डीप लर्निंग मॉडलों से भी की। इन तुलनाओं में, उनका दृष्टिकोण लगातार दूसरों से बेहतर रहा, विशेष रूप से कम-सिग्नल वाले वातावरण में जहाँ प्रदर्शन का अंतर सबसे अधिक स्पष्ट था। नया तरीका वहां स्थिरता और सटीकता बनाए रखने में सक्षम था जहाँ अन्य मॉडलों का प्रदर्शन तेजी से गिर गया। यह सुझाव देता है कि कार्य को एक व्यापक, तेज़ स्क्रीनिंग और एक गहरे, केंद्रित विश्लेषण में विभाजित करने की रणनीति वास्तविक दुनिया के इलेक्ट्रोमैग्नेटिक वातावरण की जटिलता को संभालने के लिए एक अधिक प्रभावी तरीका है। इस सिस्टम को विशिष्ट सिग्नलों के जटिल मैनुअल समायोजन या पूर्व ज्ञान की आवश्यकता नहीं है, जो इसे बदलती परिस्थितियों के अनुकूल बनाता है। कमजोर होने पर भी आसानी से भ्रमित होने वाले सिग्नलों के बीच सफलतापूर्वक अंतर करके, यह शोध रेडियो संचार की अदृश्य दुनिया को समझने के लिए एक अधिक विश्वसनीय उपकरण प्रदान करता है। यह प्रदर्शित करता है कि त्वरित स्कैनिंग के बाद सावधानीपूर्वक निरीक्षण की मानवीय प्रक्रिया की नकल करके, मशीनें शोर के बीच सिग्नल को सुनने में बहुत बेहतर हो सकती हैं।