تقدير كتلة مشترك وشبكة ذاكرة قصيرة وطويلة المدى مع آلية انتباه للتخفيف من انزياح دوبلر في أنظمة الاتصال الصوتي تحت الماء

الاستماع بوضوح تحت الماء

مع انتشار أجهزة الاستشعار والروبوتات والأدوات البحثية في المحيطات، أصبح إرسال المعلومات عبر الماء بشكل موثوق أكثر أهمية. ومع ذلك، تتشوّه إشارات الصوت تحت الماء بسهولة عندما تقوم الأمواج أو التيارات أو المركبات المتحركة بتغيير ترددها، وهي ظاهرة معروفة بانزياح دوبلر. تقدم هذه الورقة طريقة أذكى لتصحيح تلك الانزياحات لنمط الإشارة الشائع OFDM، بدمج تصحيح تقليدي قائم على الفيزياء مع شبكة عصبية حديثة معززة بآلية انتباه للحفاظ على وضوح الرسائل تحت الماء حتى في ظروف بحرية مضطربة وصاخبة.

لماذا تتشوش الإشارات تحت الماء

على عكس موجات الراديو في الهواء، يجب على الصوت في المحيط أن يمر عبر بيئة متغيرة باستمرار. عندما تتحرك سفينة أو عوامة أو مركبة تحت الماء، أو عندما يعيد الرياح والأمواج تشكيل سطح البحر، تضغط أو تمتد ترددات الإشارات الصوتية في الزمن. في أنظمة OFDM، حيث تحمل نغمات عديدة قريبة من بعضها البيانات جنبًا إلى جنب، فإن حتى الانزياحات الصغيرة تخرّب التوازن الدقيق الذي يمنع تداخل هذه النغمات مع بعضها. والنتيجة تكون تداخلًا بين القنوات ومعدلات خطأ أعلى في تيار البيانات المستقبلة. يمكن لطرق التصحيح الحالية تقدير هذه الانزياحات، لكنها غالبًا ما توازن الدقة مقابل البساطة، أو تفشل عندما تكون الحركة سريعة أو يتغير القناة بسرعة أو تكون نسبة الإشارة إلى الضوضاء منخفضة.

مزج مسطرة بسيطة مع متعلّم ذكي

يقترح المؤلفون استراتيجية من خطوتين تجمع بين قياس بسيط وقابل للتفسير ونموذج تعلم قوي. أولًا، يدرجون أصواتًا اختبارية خاصة—صيحات بتعديل ترددي خطي (LFM)—في بداية ونهاية كل إطار بيانات. ولأن هذه الصيحات توزّع طاقتها عبر نطاق واسع من الترددات، تبقى سهلة المطابقة حتى بعد أن يشوّهها البحر. بقياس مقدار امتداد أو ضغط الصيحات المستقبلة في الزمن، يحصل النظام على تقدير خشن لعامل دوبلر العام ويعيد أخذ العينات للبيانات الواردة لإلغاء معظم التشويه. هذه الخطوة رخيصة نسبيًا من حيث الحساب ومقاومة للضوضاء، وتحول مشكلة واسعة النطاق معقدة إلى مشكلة أنقى وأضيق نطاقًا.

تعليم شبكة عصبية لضبط الإشارة بدقة

بعد هذا التصحيح الأولي يبقى أثر أدق: انحراف صغير في تردد الحامل لا يزال يلتف بزاوية طور نغمات OFDM. لإزالته، يعامل المؤلفون المشكلة كمهمة تعرف على أنماط في السلاسل الزمنية. يغذّون رموز OFDM المعاد أخذ عيناتها إلى شبكة عصبية مبنية من خلايا ذاكرة قصيرة وطويلة المدى (LSTM) معززة بطبقة انتباه. المدخل ليس الموجة المركبة الكاملة بل طور كل حامل فرعي بشكل أساسي، حيث تظهر تشويهات الدوبلر بوضوح. تتعلم خلايا LSTM كيف تتطور هذه الأطوار عبر الرموز المتتالية، بينما تبرز طبقة الانتباه خطوات الزمن الأكثر إفادة، مقلدةً كيفية تركيز الإدراك البشري على التفاصيل الأساسية. تخرج الشبكة قيمة انزياح موحدة مُطبّعة، تُستخدم بعد ذلك لتطبيق تصحيح طور نهائي على جميع الحاملات الفرعية.

الاختبار في محيطات افتراضية

لفحص فعالية الطريقة الهجينة، يحاكي الباحثون قنوات تحت مائية باستخدام نموذج انتشار صوتي مستخدم على نطاق واسع يشمل مياه ساحلية ضحلة وظروف المحيط العميق. يولدون عشرات الآلاف من إطارات OFDM الصناعية مع انزياحات دوبلر ومستويات ضوضاء متفاوتة، مستخدمين جزءًا من هذه البيانات للتدريب والباقي للاختبار. يقارنون نهج LSTM المعتمد على الانتباه، المسبوق بخطوة LFM الخشنة، بعدة بدائل: طرق تقليدية بحتة تعتمد على البادئات الدورية أو الحاملات غير المستعملة، وشبكات عصبية بدون طبقات متكررة أو بدون انتباه. عبر مجموعة من نسب الإشارة إلى الضوضاء وقوى دوبلر مختلفة، ينتج أسلوبهم أخطاء تقدير تردد أقل وعددًا ملحوظًا أقل من أخطاء البت، خاصة في سيناريوهات التحدي ذات نسبة إشارة إلى ضوضاء منخفضة أو دوبلر عالي.

موازنة الأداء والعملية

على الرغم من أن النهج الجديد يتطلب حسابات أكثر من أبسط التقنيات الكلاسيكية، فإنه يبقى عمليًا عندما تُدرّب الشبكة العصبية خارج الوقت الفعلي وتُستخدم للتنبؤ فقط أثناء التشغيل. يحلل المؤلفون عدد العمليات لكل طريقة منافسة ويظهرون أنه بينما نموذجهم أثقل من مُقدّرات البحث ذات الدقة الخشنة، فإنه يتجنب انفجار التكلفة الذي سينجم عن جعل تلك البحوث دقيقة جدًا. كما يستخدم عددًا أقل من المعاملات من شبكة قائمة على الانتباه متنافسة، وهو أمر مهم بالنظر إلى ندرة البيانات المعنونة تحت الماء. إجمالًا، يصنع التصميم توازنًا بين الدقة والمقاومة والكفاءة يناسب الأنظمة المدمجة الواقعية على المنصات تحت المائية.

محادثات أوضح تحت الأمواج

في جوهرها، تُظهر هذه الدراسة أن الجمع بين قياس فيزيائي مباشر وشبكة عصبية متسلسلة مركزة يمكن أن يحسّن بشكل كبير قدرة أنظمة الاتصالات تحت الماء على التكيّف مع الحركة والاضطراب. يتعامل كتلة تقدير LFM الخشنة مع الجزء الأكبر من تشويه دوبلر، بينما تنظف LSTM المعتمدة على الانتباه انزياح التردد المتبقي عبر تعلم أنماط دقيقة في طور الإشارة. معًا، تقللان معدلات الخطأ وتجعلان المحادثات الرقمية تحت الأمواج أكثر موثوقية، مما يشير إلى مسارات نحو روابط صوتية أذكى لعلوم المحيطات والهندسة البحرية والمنصات البحرية الذاتية القيادة.

الاستشهاد: Zeng, Q., Guo, T., Peng, G. et al. Joint block estimation and attention-based long short-term memory network for doppler shift mitigation in UWA communication systems. Sci Rep 16, 11328 (2026). https://doi.org/10.1038/s41598-026-38112-7

الكلمات المفتاحية: الاتصال الصوتي تحت الماء, تعويض انزياح دوبلر, OFDM, التعلم العميق, شبكة LSTM مع انتباه