شبكة تحويلية عميقة محسَّنة ببقايا متعددة المستويات لتصنيف الإشارات اللاسلكية تلقائيًا لأنظمة الجيل الخامس وما بعدها

راديوهات أذكى لمستقبل تعجّه الطيف اللاسلكي

مع تنافس الهواتف والسيارات وحتى شبكات الطاقة على الاتصال اللاسلكي، يصبح الطيف اللاسلكي أكثر ازدحامًا وتعقيدًا. للحفاظ على سلاسة عمل هذه الشبكات، يجب على المستقبلات التعرف بسرعة على نوع الإشارة التي تستقبلها حتى تتمكن من فك تشفيرها بشكل صحيح وتجنب التداخل. تعرض هذه الورقة طريقة جديدة للذكاء الاصطناعي تساعد أنظمة الراديو في الجيل الخامس — وما يليه — على تحديد أنواع الإشارات تلقائيًا بدقة أعلى، حتى في ظروف ضوضاء العالم الحقيقي.

لماذا تهم معرفة أنواع الإشارات

كل إرسال لاسلكي، من مكالمة هاتفية إلى قراءة مستشعر، يُغلف باستخدام صيغة «تعديل» معينة — وهي في الأساس طريقة تشكيل موجات الراديو لحمل البتات. تدعم أنظمة 5G الحديثة مزيجًا من الأشكال الموجية المتقدمة مثل OFDM وFBMC وUFMC وFOFDM وWOLA، كل منها مُحسّن لاحتياجات مختلفة مثل السرعة العالية أو تقليل التداخل أو استخدام أفضل للطيف. إضافة إلى ذلك، تستخدم أنماط رموز مختلفة مثل 16‑QAM و64‑QAM لزيادة كمية البيانات ضمن نفس النطاق الترددي. التعرف التلقائي على ترکیبة التعديل والشكل الموجي المُستخدمة — المعروف بتصنيف التعديل التلقائي (AMC) — أمر حاسم لمستقبلات ذكية في تطبيقات تتراوح من النطاق العريض المحمول اليومي إلى الدفاع وشبكات التحكم في الطاقة المتجددة. الأخطاء في هذه المرحلة قد تتفاقم عبر سلسلة الاتصال بأكملها، مسببة فقدان الروابط، تباطؤ البيانات، أو تنسيق ضعيف بين الأجهزة.

تعليم شبكة عصبية على الاستماع

يصمم المؤلفون إطارًا جديدًا لـ AMC مبنيًا حول نوع قوي من نماذج التعلم العميق يُدعى الشبكة التحويلية العميقة (Deep Residual Network - DRN). قد تواجه الشبكات العصبية التقليدية صعوبات في التدريب عندما تصبح عميقة جدًّا، لأن المعلومات والتدرجات تتلاشى عند المرور عبر طبقات عديدة. تعالج الشبكات التحويلية هذا بوضع طرق اختصار تسمح للإشارات بتجاوز طبقات، مما يجعل التعلم أكثر استقرارًا. يذهب هذا العمل خطوة أبعد باستخدام تصميم «بقايا‑بقايا» (residual-of-residual)، حيث تُرصّ مستويات اختصار متعددة: داخل كل كتلة، عبر مجموعات من الكتل، ومن الدخل إلى المخرج. تساعد هذه البنية متعددة المستويات الشبكة على إعادة استخدام وتكرير الميزات على أعماق مختلفة، مما يجعلها أفضل في رصد الأنماط الدقيقة في الإشارات اللاسلكية الملوّثة بالضوضاء والتي تميز بين تعديلات وأشكال موجية مختلفة.

استخراج أكثر دلائل الإشارة إفادة

بدلًا من إدخال العينات الخام وحدها إلى الشبكة، يستخرج النظام أولًا مجموعة غنية من الوصفات العددية من كل إشارة مستقبلة. تتضمن هذه الإحصاءات المتعلقة بكيفية تذبذب سعة الإشارة، وكيف يتوزع طاقتها عبر الترددات، ومقاييس أعلى رتبة تلتقط أشكالًا وسلوكيات طور أكثر تعقيدًا. من مجموعة مبدئية مكونة من ثلاثة وثلاثين ميزة من هذا القبيل، يطبق المؤلفون استراتيجية بحث تسمى الاختيار الطارد الطافي المتسلسل (Sequential Floating Forward Selection) لإيجاد مجموعة أصغر لا تزال تحمل معظم القدرة التمييزية. تقلم هذه العملية مجموعة الميزات إلى أربعة عشر فقط، ما يقلل التكلفة الحاسوبية مع الاحتفاظ بأكثر «بصمات» كل تعديل وشكل موجي معلوماتية.

اختبار النموذج

لتقييم منهجهم، يولد الباحثون مجموعة بيانات مُحاكاة كبيرة من إشارات على نمط 5G باستخدام محاكي رابط‑مستوى متخصص. تمتد مجموعة البيانات لعشرة أزواج من الشكل الموجي‑التعديل، وعمقَي تعديل (16‑QAM و64‑QAM)، ونطاق واسع من نسب الإشارة إلى الضوضاء من ظروف استقبال سيئة جدًا إلى ممتازة. كما يقومون بنمذجة قنوات لاسلكية واقعية، بما في ذلك ملفات تعريف خط التأخر المطبّق القياسية ومشهد Vehicular‑A التحدّي الذي يحاكي مستخدمين متحركين بسرعة مع انعكاسات متعددة المسارات قوية. تُقارن الشبكة التحويلية العميقة المقترحة ذات اتصالات «بقايا‑بقايا» متعددة المستويات مقابل DRN أبسط وشبكة عصبية تلافيفية أقدم. عبر مقاييس مثل الدقة والاستدعاء ودرجة F1 والدقة العامة، يظهر الأسلوب الجديد تفوقًا ثابتًا، لا سيما عندما تكون الإشارات ضعيفة أو القناة مشوهة بشدة.

أداء قوي في بيئات 5G الواقعية

تُظهر منحنيات الأداء أن المصنف الجديد يصل إلى دقة عالية جدًا — نحو 95% قرارات صحيحة — عند جودة إشارة أقل بكثير من الطرق الأساسية، حيث يحتاج لأكثر من 3 ديسيبل أقل من قوة الإشارة مقارنة بـ DRN القياسي وأكثر من 7 ديسيبل أقل من الشبكة التلافيفية. كما يحافظ على نتائج قوية عبر نماذج قنوات 5G المختلفة (TDL‑A، TDL‑B، TDL‑C) وفي ظروف مركبات سريعة التغير، حيث تواجه أنظمة كثيرة صعوبات. تشير هذه المجموعة من الدقة والمرونة إلى أن الطريقة يمكن أن تعمم جيدًا على سيناريوهات نشر متنوعة، من خلايا داخلية مكتظة إلى شبكات خارجية واسعة.

ما يعنيه هذا لمستخدمي اللاسلكي اليوميين

عمليًا، تُظهر الدراسة أن النماذج العميقة المصممة بعناية يمكن أن تجعل الراديوهات المستقبلية أفضل بكثير في فهم الإشارات التي تستقبلها. يمكن لمستقبل مزود بهذا النوع من المصنف أن يحدد بشكل أكثر موثوقية الأشكال الموجية المعقدة ومخططات التعديل في 5G تلقائيًا، حتى في ظل الضوضاء والتداخل والحركة. يترجم ذلك إلى اتصالات أكثر استقرارًا، معدلات بيانات أعلى، واستخدام طيف أكثر كفاءة لتطبيقات مثل الهواتف الذكية، والأتمتة الصناعية، وشبكات الطاقة الذكية. بينما تستند النتائج الحالية إلى محاكاة، يخطط المؤلفون للتحقق من منهجهم بقياسات راديوية حقيقية واستكشاف هندسات عصبية أكثر تقدمًا، متجهين نحو مستقبل تكون فيه المستقبلات الذكية قادرة على التكيف بسلاسة مع أي ما تحمله لها الأثير.

الاستشهاد: Jabeur, R., Alaerjan, A. & Chikha, H.B. Deep residual network enhanced with multilevel residual-of-residual for automatic classification of radio signals for 5G and beyond systems. Sci Rep 16, 7003 (2026). https://doi.org/10.1038/s41598-026-35306-x

الكلمات المفتاحية: تعديل الإشارة 5G, تصنيف الإشارات اللاسلكية, شبكات تحويلية عميقة, أشكال موجات الراديو, المستقبلات الذكية