⚡ electrical engineering

Multi-Objective Dataset Optimization for Learning-Based DC-Bias Prediction in DCO-OFDM

यह शोध पत्र DCO-OFDM प्रणालियों में लर्निंग-आधारित DC-बायस भविष्यवाणी के लिए एक बहु-उद्देश्यीय डेटासेट अनुकूलन ढांचे का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि TOPSIS तकनीक अन्य विधियों की तुलना में बेहतर प्रदर्शन करती है क्योंकि यह ऐसे डेटासेट तैयार करती है जो उत्कृष्ट मशीन लर्निंग भविष्यवाणी सटीकता और निम्न त्रुटि मेट्रिक्स प्रदान करते हैं।

मूल लेखक: Amena Ejaz Aziz, Ifrah Mansoor, Ahsan Fiaz, Abdul Waheed

प्रकाशित 2026-07-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amena Ejaz Aziz, Ifrah Mansoor, Ahsan Fiaz, Abdul Waheed

मूल पेपर CC BY 4.0 (https://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 रेडियो को सबसे स्पष्ट सिग्नल पकड़ने के लिए ट्यून करने की कोशिश कर रहे हैं, लेकिन इसके लिए आपको केवल एक डायल घुमाना नहीं है, बल्कि एक साथ तीन अलग-अलग नॉब्स (knobs) को संभालना है: आवाज़ को स्पष्ट रखना (कम त्रुटियां), स्पीकर को फटने से बचाना (कम पावर स्पाइक्स), और स्टैटिक शोर (static noise) से बचना। यह बिल्कुल वही चुनौती है जिसका सामना इंजीनियर DCO-OFDM नामक तकनीक के साथ करते हैं, जो डेटा को बहुत तेज़ी से भेजने के लिए प्रकाश (जैसे कि एक LED बल्ब से) का उपयोग करती है।

इस सिस्टम में, DC-bias नामक एक विशेष सेटिंग है। DC-bias को एक "वॉल्यूम फ्लोर" (volume floor) के रूप में समझें जिसे आप संगीत बजाने से पहले सेट करते हैं। यदि आप इसे बहुत कम सेट करते हैं, तो गाने के शांत हिस्से कट सकते हैं (क्लिपिंग), जिससे स्टैटिक और त्रुटियां पैदा होती हैं। यदि आप इसे बहुत अधिक सेट करते हैं, तो ऊर्जा बर्बाद होती है और ध्वनि विकृत हो जाती है। पेचीदा क्या है? एकदम सही सेटिंग इस बात पर निर्भर करती है कि कमरा कितना "शोर वाला" है (सिग्नल-टू-नॉइज़ रेश्यो या SNR)।

समस्या: बहुत अधिक डेटा, पर्याप्त समझ की कमी

इंस्टीट्यूट ऑफ स्पेस टेक्नोलॉजी के शोधकर्ताओं ने महसूस किया कि कंप्यूटर को (मशीन लर्निंग का उपयोग करके) यह स्वचालित रूप से सिखाने के लिए कि यह आदर्श "वॉल्यूम फ्लोर" कैसे खोजा जाए, उन्हें वास्तव में एक बहुत अच्छी ट्रेनिंग मैनुअल की आवश्यकता थी। लेकिन अधिकांश मौजूदा मैनुअल केवल डेटा के विशाल, अस्त-व्यस्त ढेर थे जो हर संभव सेटिंग को बिना सोचे-समझे आज़माने से उत्पन्न हुए थे। यह ऐसा ही था जैसे सड़क पर अभ्यास करने के बजाय कार के हर पुर्जे के शब्दकोश को पढ़कर गाड़ी चलाना सीखने की कोशिश करना। उन्हें यह तरीका खोजने की आवश्यकता थी कि कंप्यूटर को सिखाने के लिए केवल सर्वश्रेष्ठ अभ्यास परिदृश्य (scenarios) कैसे चुने जाएं।

प्रयोग: छह ऑप्टिमाइज़र की एक दौड़

इस समस्या को हल करने के लिए, टीम ने एक विशाल सिमुलेशन बनाया। उन्होंने 5,000 अलग-अलग लाइट-सिग्नल परिदृश्य बनाए और उन्हें विभिन्न शोर स्तरों (8 dB से 25 dB तक) में 201 अलग-अलग DC-bias सेटिंग्स (2 dB से 12 dB तक) के विरुद्ध परखा।

फिर, उन्होंने एक पैनल के जजों की तरह काम किया, जिसमें छह अलग-अलग ऑप्टिमाइज़ेशन तकनीकों को एक-दूसरे के खिलाफ मुकाबला कराया ताकि यह देखा जा सके कि कौन सा तरीका उस विशाल ढेर में से "सर्वश्रेष्ठ" ट्रेनिंग डेटा चुन सकता है। प्रतियोगी थे:

जेनेटिक एल्गोरिदम (GA)
पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (PSO)
स्टैटिक वेट्स के साथ म्यूचुअल इंफॉर्मेशन (MI)
डायनेमिक वेट्स के साथ म्यूचुअल इंफॉर्मेशन (MI)
PARETO ऑप्टिमाइज़ेशन
TOPSIS (एक विधि जो समाधानों को इस आधार पर रैंक करती है कि वे एक आदर्श "आदर्श" के कितने करीब हैं और एक "सबसे खराब" मामले से कितने दूर हैं)

परिणाम: दौड़ में कौन जीता?

टीम ने केवल यह नहीं देखा कि किसने "सर्वश्रेष्ठ" नंबर चुने; उन्होंने एक बहु-चरणीय जांच (multi-stage check-up) का उपयोग करके प्रत्येक विधि द्वारा उत्पादित डेटा की गुणवत्ता का परीक्षण किया।

हारने वाले (बाहर किए गए):

GA और PSO: ये विधियाँ उन जिद्दी छात्रों की तरह थीं जिन्होंने एक ही उत्तर ढूंढ लिया और उसी पर टिके रहे, चाहे स्थिति कैसी भी हो। उन्होंने शोर के स्तर के बावजूद लगभग 12 dB का DC-bias चुना। अनुकूलन क्षमता की इस कमी ने उन्हें सीखने के लिए बहुत खराब बना दिया।
PARETO: यह विधि बहुत कठोर थी, जिसने लगभग 3 dB का निरंतर बायस चुना। जब शोर के स्तर बदले, तो यह अनुकूलित होने में विफल रहा।
MI-Dynamic: यह थोड़ा पेचीदा था। इसने बहुत उच्च बायस मान चुने, जिससे शोर और पावर स्पाइक्स तो कम हुए, लेकिन इसने वास्तव में डेटा ट्रांसमिशन को कम विश्वसनीय (उच्च त्रुटि दर) बना दिया। यह बिल्कुल वैसा ही था जैसे किसी फुसफुसाहट को सुनने के लिए वॉल्यूम इतना तेज़ कर देना कि आपके कान ही दुखने लगें।

प्रतिद्वंद्वी:
दो विधियाँ गंभीर दावेदार के रूप में उभरीं: MI-static और TOPSIS।

इन दोनों विधियों ने दिखाया कि "वॉल्यूम फ्लोर" (DC-bias) स्वाभाविक रूप से शोर बढ़ने (उच्च SNR) के साथ बढ़ता जाना चाहिए। यह वही था जिसकी इंजीनियरों को वास्तविक दुनिया में होने की उम्मीद थी।
जब उन्होंने वास्तविक प्रदर्शन (बिट एरर रेट, या BER) को देखा, तो दोनों विधियाँ बहुत करीब थीं। वास्तव में, "कम शोर" वाले रेंज (8–14 dB) में, MI-static थोड़ा बेहतर था। लेकिन जैसे-जैसे शोर बढ़ा (18–24 dB), TOPSIS ने बढ़त बना ली, जिससे कम त्रुटि दर दिखाई दी।

अंतिम निर्णायक: मशीन लर्निंग टेस्ट

यहीं पर यह पेपर अपना सबसे महत्वपूर्ण बिंदु रखता है। शोधकर्ताओं ने पूछा: "इन दो अच्छे डेटासेट्स में से कौन सा वास्तव में कंप्यूटर को सिखाने के लिए बेहतर है?"

उन्होंने सात अलग-अलग मशीन लर्निंग मॉडल (जैसे लीनियर रिग्रेशन, रैंडम फॉरेस्ट और XGBoost) को MI-static और TOPSIS द्वारा प्रदान किए गए डेटा पर प्रशिक्षित किया। उन्होंने R² (मॉडल कितनी अच्छी तरह फिट होता है) और RMSE (भविpredictions कितनी दूर हैं) जैसे मेट्रिक्स का उपयोग करके यह मापा कि कंप्यूटर सही DC-bias की भविष्यवाणी कितनी अच्छी तरह कर सकते हैं।

परिणाम स्पष्ट थे:

TOPSIS डेटासेट ने लगातार बेहतर सीखने के परिणाम दिए।
उदाहरण के लिए, TOPSIS डेटा पर प्रशिक्षित XGBoost मॉडल ने 0.9946 के मुकाबले 0.9958 का R² प्राप्त किया।
TOPSIS मॉडल्स में त्रुटि दर भी कम थी (XGBoost के लिए RMSE क्रमशः 0.1176 बनाम 0.1498)।

निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि हालांकि दोनों विधियाँ संचार प्रदर्शन के लिए अच्छी थीं, लेकिन TOPSIS विधि ने एक ऐसा डेटासेट बनाया जो "स्मूथ" और अधिक सुसंगत था, जिससे कंप्यूटर के लिए सीखना बहुत आसान हो गया।

संक्षेप में: यदि आप एक रोबोट को लाइट-आधारित रेडियो को ट्यून करना सिखाना चाहते हैं, तो उसे केवल डेटा का रैंडम ढेर न दें। उसे वे विशिष्ट, संतुलित और अनुकूलनीय उदाहरण दें जिन्हें TOPSIS विधि चुनती है।

यह निष्कर्ष कि केवल एक समस्या (जैसे शोर) को कम करना ही काफी नहीं है; आपको एक संतुलित दृष्टिकोण की आवश्यकता है जो वातावरण के अनुकूल हो सके, इस शोध का मुख्य निष्कर्ष है। और जबकि परिणाम सिमुलेशन पर आधारित हैं (अभी तक वास्तविक-दुनिया के हार्डवेयर परीक्षण नहीं), सांख्यिकीय परीक्षणों (जैसे विल्कोक्सन साइन्ड-रैंक टेस्ट) ने दिखाया कि शीर्ष दावेदारों के बीच का अंतर वास्तविक और महत्वपूर्ण था, न कि केवल कोई इत्तेफाक।

तकनीकी सारांश: DCO-OFDM में लर्निंग-आधारित DC-बायस भविष्यवाणी के लिए मल्टी-ऑब्जेक्टिव डेटासेट ऑप्टिमाइज़ेशन

समस्या का विवरण
विज़िबल लाइट कम्युनिकेशन (VLC) प्रणालियों में, जो डायरेक्ट करंट ऑप्टिकल ऑर्थोगोनल फ्रीक्वेंसी डिवीजन मल्टीप्लेक्सिंग (DCO-OFDM) का उपयोग करती हैं, DC-बायस का चयन एक महत्वपूर्ण डिज़ाइन पैरामीटर है। यह सीधे तौर पर परस्पर निर्भर प्रदर्शन मेट्रिक्स: बिट एरर रेट (BER), पीक-टू-एवरेज पावर रेशियो (PAPR), और क्लिपिंग नॉइज़ को प्रभावित करता है। जबकि मौजूदा साहित्य ने विशिष्ट ट्रांसमिशन इंस्टेंस के लिए ह्यूरिस्टिक एल्गोरिदम या मशीन लर्निंग (ML) का उपयोग करके DC-बायस अनुकूलन को व्यापक रूप से संबोधित किया है, डेटासेट स्तर पर एक महत्वपूर्ण अंतराल बना हुआ है। वर्तमान दृष्टिकोण अक्सर प्रशिक्षण डेटा उत्पन्न करने के लिए विस्तृत, ब्रूट-फोर्स सिमुलेशन पर निर्भर करते हैं, जिसके परिणामस्वरूप रेडंडेंट (अनावश्यक) नमूने प्राप्त होते हैं और मल्टी-ऑब्जेक्टिव ट्रेड-ऑफ को कैप्चर करने के लिए व्यवस्थित अनुकूलन की कमी होती है। इसके अलावा, मौजूदा ML-आधारित कार्य मॉडल में सुधार करने पर ध्यान केंद्रित करते हैं, बिना यह सत्यापित किए कि क्या अंतर्निहित डेटासेट स्वयं सामान्यीकृत लर्निंग के लिए अनुकूलित रूप से संरचित है। यह एक ऐसे अनुकूलित डेटासेट को उत्पन्न करने, चुनने और मान्य करने के लिए एक व्यवस्थित ढांचे की कमी को दर्शाता है जो सिग्नल सांख्यिकी और इष्टतम बायस मानों के बीच जटिल संबंधों को दर्शाता हो।

कार्यप्रणाली (Methodology)
लेखक एक व्यवस्थित ढांचे का प्रस्ताव करते हैं जो ध्यान को इंस्टेंस-स्तरीय अनुकूलन से हटाकर डेटा-केंद्रित मॉडलिंग की ओर ले जाता है। कार्यप्रणाली चार मुख्य चरणों में आगे बढ़ती है:

रॉ डेटासेट जनरेशन: MATLAB में विस्तृत सिमुलेशन के माध्यम से एक हाई-डायमेंशनल रॉ डेटासेट बनाया गया है। इस प्रक्रिया में 4-QAM मॉड्यूलेशन और 2048 के सिंबल लेंथ के साथ 5,000 DCO-OFDM सिम्बल्स उत्पन्न करना शामिल है। DC-बायस मानों को 8 dB से 25 dB तक के सिग्नल-टू-नॉइज़ रेशियो (SNR) मानों केAcross 2 dB से 12 dB (0.05 dB के अंतराल में) स्वाइप किया गया है। प्रत्येक कॉन्फ़िगरेशन के लिए, सांख्यिकीय विशेषताएं (प्री-बायस सिग्नल का न्यूनतम, अधिकतम, माध्य और मानक विचलन) और प्रदर्शन मेट्रिक्स (औसत BER, PAPR, और क्लिपिंग नॉइज़ पावर) निकाले गए हैं। इसके परिणामस्वरूप 5000 सिम्बल्स $\times$ 201 बायस लेवल्स का एक रॉ डेटासेट प्राप्त होता है।
मल्टी-ऑब्जेक्टिव डेटासेट ऑप्टिमाइज़ेशन: समस्या को रॉ डेटासेट से सबसे उपयुक्त नमूनों (samples) को चुनने के लिए एक मल्टी-ऑब्जेक्टिव ऑप्टिमाइज़ेशन कार्य के रूप में पुनर्गठित किया गया है। एक ऑब्जेक्टिव फंक्शन $J$ को प्रदर्शन मेट्रिक्स के भारित योग (weighted sum) के रूप में परिभाषित किया गया है: $J = 0.5 \times \text{BER} + 0.3 \times \text{PAPR} + 0.2 \times \text{Clipping Noise}$ । प्रत्येक सिंबल के लिए इष्टतम नमूने (rows) निकालने के लिए छह अनुकूलन तकनीकों को लागू किया गया है:
- जेनेटिक एल्गोरिदम (GA)
- पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (PSO)
- स्टैटिक वेट्स के साथ म्यूचुअल इंफॉर्मेशन (MI-static)
- डायनेमिक वेट्स के साथ म्यूचुअल इंफॉर्मेशन (MI-dynamic)
- पारेटो ऑप्टिमाइज़ेशन (Pareto Optimization)
- टेक्निक फॉर ऑर्डर प्रेफरेंस बाय सिमिलैरिटी टू आइडियल सॉल्यूशन (TOPSIS)
मल्टी-स्टेज इवैल्यूएशन फ्रेमवर्क: छह परिणामी डेटासेट्स का एक कठोर, बहु-चरणीय प्रक्रिया के माध्यम से मूल्यांकन किया जाता है:
- सांख्यिकीय विश्लेषण (Statistical Analysis): अनुकूलन क्षमता और भौतिक सार्थकता सुनिश्चित करने के लिए SNR स्तरों केAcross इष्टतम बायस मानों के व्यवहार का परीक्षण करना।
- प्रदर्शन-आधारित मूल्यांकन (Performance-Based Evaluation): विभिन्न ऑप्टिमाइज़र के बीच परिणामी BER, PAPR और क्लिपिंग नॉइज़ की तुलना करना।
- कंपोजिट स्कोरिंग (Composite Scoring): समग्र ट्रेड-ऑफ संतुलन का आकलन करने के लिए नॉर्मलाइज्ड मेट्रिक्स से प्राप्त एक एकीकृत स्कोर।
- सांख्यिकीय महत्व परीक्षण (Statistical Significance Testing): शीर्ष प्रदर्शन करने वाली विधियों के BER वितरण की तुलना करने के लिए एक नॉन-पैरामीट्रिक विल्कोक्सन साइन्ड-रैंक टेस्ट (Wilcoxon signed-rank test) लागू किया गया है।
मशीन लर्निंग वैलिडेशन (Machine Learning Validation): अंतिम सत्यापन मानदंड के रूप में, शीर्ष दावेदारों द्वारा उत्पन्न डेटासेट्स का उपयोग सात रिग्रेशन मॉडल (लीनियर रिग्रेशन, डिसीजन ट्री, रैंडम फॉरेस्ट, ग्रेडिएंट बूस्टिंग, XGBoost, SVR, और kNN) को प्रशिक्षित करने के लिए किया जाता है। डेटासेट्स का मूल्यांकन $R^2$ , RMSE, और MAE के आधार पर सटीक प्रेडिक्टिव मॉडलिंग को सपोर्ट करने की उनकी क्षमता के आधार पर किया जाता है।

प्रमुख योगदान (Key Contributions)
यह शोध पत्र पांच प्राथमिक योगदान रेखांकित करता है:

डेटासेट-स्तरीय पुनर्गठन: यह कार्य DC-बायस समस्या को इंस्टेंस-स्तरीय अनुकूलन से डेटासेट-स्तरीय अनुकूलन में बदल देता है, जिसका लक्ष्य एक संरचित डेटासेट बनाना है जो बेहतर ML जनरलाइजेशन के लिए अंतर्निहित संबंधों को कैप्चर कर सके।
व्यवस्थित डेटा जनरेशन: कई SNR स्थितियों के across DC-बायस को स्वाइप करते हुए एक हाई-डायमेंशनल डेटासेट का निर्माण।
तुलनात्मक अनुकूलन विश्लेषण: भारित मल्टी-ऑब्जेक्टिव फंक्शन के आधार पर इष्टतम नमूने निकालने के लिए छह अलग-अलग अनुकूलन तकनीकों (GA, PSO, MI-static/dynamic, Pareto, TOPSIS) का एक व्यापक तुलनात्मक अध्ययन।
नवल इवैल्यूएशन फ्रेमवर्क: एक मल्टी-स्टेज इवैल्यूएशन स्ट्रैटेजी का परिचय जो सांख्यिकीय विश्लेषण, प्रदर्शन मेट्रिक्स, कंपोजिट स्कोरिंग और सांख्यिकीय महत्व परीक्षण को जोड़ती है, जिसका समापन प्रेडिक्टिव मॉडलिंग के लिए डेटासेट की उपयुक्तता का आकलन करने के लिए ML-आधारित वैलिडेशन के साथ होता है।
भविष्य के कार्य के लिए आधार: एक संरचित, अनुकूलित डेटासेट की स्थापना जो भविष्य के डेटा-ड्रिवन DC-बायस एस्टीमेशन और एडेप्टिव कम्युनिकेशन सिस्टम के लिए एक बेसलाइन के रूप में कार्य करता है।

परिणाम (Results)
मूल्यांकन निम्नलिखित निष्कर्ष प्रदान करता है:

ऑप्टिमाइज़र व्यवहार: GA, PSO, और पारेटो-आधारित विधियों ने SNR स्तरों के across लगभग स्थिर बायस मानों का उत्पादन किया, जो चैनल विविधताओं के प्रति अनुकूलन क्षमता की कमी को दर्शाता है। इसके विपरीत, MI-static, MI-dynamic, और TOPSIS ने SNR के साथ बायस में मोनोटोनिक वृद्धि प्रदर्शित की, जो अपेक्षित सिस्टम व्यवहार के अनुरूप है।
प्रदर्शन ट्रेड-ऑफ: जबकि MI-dynamic ने कम PAPR और क्लिपिंग नॉइज़ प्राप्त किया, इसके परिणामस्वरूप बायस ओवरएस्टिमेशन के कारण खराब BER प्रदर्शन हुआ। GA और PSO ने व्यक्तिगत मेट्रिक्स (PAPR/Noise) को कम किया लेकिन ट्रेड-ऑफ को संतुलित करने में विफल रहे, जिससे खराब BER हुआ।
शीर्ष दावेदार: MI-static और TOPSIS सबसे प्रभावी विधियों के रूप में उभरे, जिन्होंने एक संतुलित ट्रेड-ऑफ हासिल किया। सांख्यिकीय महत्व परीक्षण (Wilcoxon signed-rank) से पता चला कि MI-static लो-SNR शासन (regimes) में बेहतर प्रदर्शन करता है, जबकि TOPSIS मीडियम-टू-हाई SNR शासन में बेहतर प्रदर्शन करता है।
ML वैलिडेशन: मॉडल्स के लिए ट्रेनिंग डेटा के रूप में उपयोग किए जाने पर, TOPSIS-आधारित डेटासेट ने लगातार MI-static डेटासेट से बेहतर प्रदर्शन किया। कई मॉडल्स (जैसे, XGBoost) में, TOPSIS डेटासेट ने उच्च $R^2$ मान (लगभग 0.9958 बनाम 0.9946) और कम एरर मेट्रिक्स (RMSE और MAE) प्राप्त किए। यह इंगित करता है कि TOPSIS-चयनित डेटा में बेहतर संरचनात्मक निरंतरता और लर्नबिलिटी (learnability) है।

महत्व और दावे (Significance and Claims)
लेखक दावा करते हैं कि यह कार्य मॉडल या इंस्टेंस के बजाय सीधे डेटासेट को अनुकूलित करके साहित्य के एक महत्वपूर्ण अंतराल को संबोधित करता है। इस कार्य का महत्व यह प्रदर्शित करने में निहित है कि प्रशिक्षण डेटा की गुणवत्ता और संरचना लर्निंग-आधारित DC-बायस भविष्यवाणी की सफलता के लिए निर्णायक कारक हैं।

शोध यह निष्कर्ष निकालता है कि जबकि MI-static और TOPSIS तुलनीय संचार प्रदर्शन प्रदान करते हैं, TOPSIS-आधारित डेटासेट लर्निंग-आधारित फ्रेमवर्क के लिए इष्टतम विकल्प है। यह चयन केवल संचार मेट्रिक्स द्वारा नहीं, बल्कि विविध रिग्रेशन मॉडल्स में उच्च सटीकता और कम त्रुटि दर के माध्यम से प्रेडिक्टिव मॉडलिंग को सपोर्ट करने की इसकी श्रेष्ठ क्षमता द्वारा संचालित है। प्रस्तावित ढांचा, ब्रूट-फोर्स सिमुलेशन से आगे बढ़कर, इंटेलिजेंट, ऑप्टिमाइज्ड डेटा कंस्ट्रक्शन की ओर बढ़ने के लिए एक आधार प्रदान करता है। लेखक उल्लेख करते हैं कि भविष्य के कार्य इस चयनित डेटासेट का उपयोग अनदेखी (unseen) सिस्टम स्थितियों के लिए रियल-टाइम प्रेडिक्शन मॉडल विकसित करने के लिए करेंगे।

समस्या: बहुत अधिक डेटा, पर्याप्त समझ की कमी

प्रयोग: छह ऑप्टिमाइज़र की एक दौड़

परिणाम: दौड़ में कौन जीता?

अंतिम निर्णायक: मशीन लर्निंग टेस्ट

निष्कर्ष

इसी तरह के और पेपर