طريقة لتصنيف إشارات التحكم الراديوية لطائرات UAV بناءً على إنتروبيا التشتت متعددة النطاق وشبكات عصبية محسنّة

لماذا يهم اكتشاف الطائرات الخفية

أصبحت الطائرات الصغيرة الآن رخيصة وقادرة ومنتشرة — من التصوير الجوي وتسليم الطرود إلى الاستطلاع على ساحة المعركة. لكن نفس التكنولوجيا التي تمكّن التطبيقات المفيدة يمكن إساءة استخدامها للتجسس والتهريب أو تعطيل المطارات والبنى التحتية الحيوية. تحتاج السلطات إلى طرق لاكتشاف وتحديد الطائرات بسرعة وبموثوقية، حتى عندما تكون بعيدة أو تطير منخفضة بين المباني. تقدم هذه الورقة طريقة جديدة تستمع إلى المحادثة الراديوية غير المرئية بين الطائرة ومتحكمها للتعرّف على الطراز الموجود في الجو، وتفعل ذلك بدقة عالية بشكل غير اعتيادي حتى في ظروف ضوضاء شديدة.

المشكلة مع أدوات رصد الطائرات الحالية

تعتمد أنظمة اكتشاف الطائرات الحالية على الرادار والكاميرات وأجهزة الاستشعار تحت الحمراء أو الميكروفونات. لكلٍ منها عيوب جسيمة. يكافح الرادار مع الأهداف الصغيرة والبطيئة جدًا ويمكن أن يشتتَه الضجيج الأرضي. تعتمد الكاميرات البصرية وتحت الحمراء على الطقس الصريح والرؤية الجيدة، وتضعف أداؤها في الضباب أو المطر أو الظلام. الطرق الصوتية رخيصة لكنها تعمل لمسافات قصيرة وتُطغى بسهولة بالضوضاء المحيطة. يمكن لتعلّم الآلة القائم على الرؤية تصنيف أنواع الطائرات المعروفة، لكنه يتطلب مجموعات بيانات موسومة ضخمة وقد يفشل عند مواجهة طرازات جديدة أو ظروف عدائية. تترك هذه نقاط الضعف ثغرات في أمن المجال الجوي، خصوصًا في البيئات الحضرية المزدحمة أو المنخفضة الارتفاع.

الاستماع لثرثرة الطائرة الراديوية

بدلاً من مشاهدة أو سماع الطائرة نفسها، يركّز المؤلفون على إشارات التحكم بتردد الراديو (RF) — الوصلة بين الطائرة ومتحكمها البعيد. يمكن لهذه الإشارات أن تمر عبر العقبات، تعمل في كل الأحوال الجوية، وغالبًا ما يتم التقاطها أبكر وأبعد مما يمكن رؤية الطائرة. ومع ذلك، فإن قياس شدة الإشارة أو الطيف الأساسي ليس كافيًا لتمييز بين طرازات الطائرات المختلفة في بيئة كهرومغناطيسية مزدحمة. يستخدم الفريق مفهومًا يسمى إنتروبيا التشتت متعددة النطاق، الذي يتتبع ببساطة مدى عدم التنبؤ والتعقيد في الإشارة عند النظر إليها عبر نوافذ زمنية مختلفة. بتطبيق هذا على أربع قنوات من بيانات RF (قناتان لكل مسار هوائي)، يضغّطون كل إشارة إلى «بصمة» مكوّنة من 12 رقمًا تلتقط كيفية تصرف وصلة التحكم لتلك الطائرة بالتحديد.

بحث ذكي عن أفضل شبكة عصبية

بمجرد امتلاكهم هذه البصمات المدمجة، يدخلها المؤلفون في شبكة عصبية خفيفة الوزن تقرر أيّ من ستة طرازات شائعة من DJI أنتجت الإشارة. تكمن الابتكار الرئيسي في كيفية ضبط هذه الشبكة العصبية. بدلاً من التخمين اليدوي للإعدادات الداخلية أو الاعتماد فقط على هبوط التدرّج القياسي، يستخدمون نهج تحسين مستلهم من سلوك الليمينغ في الطبيعة. يتخيل هذا «خوارزم ليمينغ الاصطناعي» مجموعة من الشبكات المرشّحة ككائنات تهاجر وتحفر أنفاقًا وتبحث عن الطعام وتهرب من المفترسات، مستكشفة فضاء إعدادات الأوزان وأحجام الشبكات الممكنة. على مدى العديد من التكرارات، يركز هذا الإجراء على تكوين يقلل من خطأ التصنيف، متجنبًا مصائد القيم المحلية التي تبطئ أو تعطل التدريب التقليدي.

وضع الطريقة تحت الاختبار

قيّم الباحثون نظامهم على DroneRFa، مجموعة بيانات مفتوحة كبيرة لإشارات RF الحقيقية للطائرات. ركزوا على ست منصات DJI مستخدمة على نطاق واسع والتي تحتوي أجهزتها الراديوية على تشابه، مما يجعل مشكلة التصنيف أكثر تحديًا. من كل إشارة استخرجوا 10,000 عَيّنة، حسبوا ميزات إنتروبيا متعددة النطاق لكل القنوات الأربع، واستخدموا هذه الـ12 ميزة كمدخل للشبكة العصبية المحسّنة. وصلت الطريقة الجديدة إلى دقة تصنيف مقدارها 97.2%، متفوقة على عدة بدائل شائعة تجمع أيضًا الشبكات العصبية مع مخططات تحسين مختلفة (الخوارزميات الجينية، سرب الجسيمات، وطريقة الذئاب الرمادية) بفارق تقريبي 5–7 نقاط مئوية. وبالمثل المهم، تقاربت منظومتهم بسرعة أكبر، حيث وصلت إلى 90% دقة بعد 65 تكرار تدريب فقط، واحتاجت إلى عدد نسبيًا قليل من المعاملات — مما يجعلها مناسبة للتشغيل في الزمن الحقيقي وعلى الحافة.

البقاء دقيقًا في عالم صاخب

بيئات RF الحقيقية فوضوية: تشارك الواي‑فاي والبلوتوث والعديد من الأجهزة الأخرى نطاقات الهواء. لاختبار المتانة، أضاف المؤلفون ضوضاء اصطناعية قوية عمدًا إلى إشارات الطائرات، خافضين نسبة الإشارة إلى الضوضاء خطوة بخطوة حتى مستوى حيث تساوى الإشارة الضوضاء. عانت مجموعات الميزات المنافسة المبنية على معاملات مستوحاة من الصوت، الأطياف البسيطة، أو مخططات الكوكبة من انخفاض حاد في الدقة تحت هذه الظروف. بالمقابل، تدهورت ميزات إنتروبيا متعددة النطاق بلطف فقط، ولا تزال النظام يحدد الطائرات بشكل صحيح بنسبة 90% عند أشد مستويات الضوضاء اختبارًا. أظهرت التحليلات الإحصائية أن هذه الميزات تفصل أنواع الطائرات المختلفة بشكل أفضل مع الحفاظ على اتساق داخلي لكل نوع، مما يفسر متانتها.

ماذا يعني هذا لسماء أكثر أمانًا

بمصطلحات يومية، بنى المؤلفون أداة «بصمة راديوية» يمكنها الاستماع إلى وصلة التحكم المخفية للطائرة، تلخيصها في مجموعة صغيرة من الأرقام، واستخدام شبكة عصبية معدّلة بكفاءة لتحديد الطراز الطائر — حتى عندما تكون الموجات الجوية مزدحمة ومزعجة. بالمقارنة مع الطرق الحالية، نهجهم أكثر دقة، أسرع في التدريب، وخفيف بما يكفي للتشغيل على أجهزة متواضعة. وهذا يجعله لبنة جذابة لأنظمة إدارة الحركة في الارتفاع المنخفض وتركيبات الأمن حول المطارات والحدود والمواقع الحساسة. بينما تستهدف الدراسة الحالية ستة طرازات محددة، يمكن توسيع الأفكار الأساسية — أوصاف إشارية غنية متعددة النطاقات مقرونة بتحسين ذكي لشبكات عصبية بسيطة — لتشمل أساطيل أوسع من الطائرات والأجهزة اللاسلكية الأخرى، مما يشد قبضتنا على سماء تزداد ازدحامًا.

الاستشهاد: Liu, B., Liu, J., Shi, M. et al. Method for classification of UAV flight control RF signals based on multi-scale divergence entropy and optimized neural networks. Sci Rep 16, 8420 (2026). https://doi.org/10.1038/s41598-025-25498-z

الكلمات المفتاحية: اكتشاف الطائرات بدون طيار, إشارات التردد اللاسلكي, بصمة لاسلكية, تحسين الشبكات العصبية, أمن المجال الجوي