تعزيز ندرة الإشارة المصدرية اعتمادًا على خوارزمية تحويل الاستخلاص التزامني للحد الأقصى المحلي لتقدير مصفوفة الخلط المختلطة في UBSS

فك تشابك الإشارات المخفية

العديد من التقنيات التي نعتمد عليها—الشبكات اللاسلكية والرادار وأجهزة التصوير الطبي وحتى الميكروفونات الذكية—تحتاج إلى استخلاص إشارات ضعيفة مختلطة معًا بصورة مرهقة. تخيل محاولة تتبع عدة محادثات في وقت واحد داخل مقهى مزدحم باستخدام أذنين فقط. تعرض هذه الورقة طريقة جديدة "لفك تشابك" مثل هذه الإشارات المتداخلة عندما تكون الحساسات أقل من المصادر، وهو موقف معروف بصعوبته. من خلال تشديد كيفية عرضنا للإشارات في الزمن والتردد، وتحسين كيفية تجميع الحاسوب للبيانات ذات الصلة، يُظهر المؤلفون أنهم قادرون على فصل الخلطات بدقة وموثوقية أعلى، حتى في ظروف العالم الحقيقي المليئة بالضجيج.

لماذا من الصعب فصل الإشارات المختلطة

في العديد من الأنظمة، تنتقل عدة إشارات مستقلة عبر نفس القناة وتلتقطها عدد قليل من المستقبلات. هذا الوضع، المسمى فصل المصادر العمياء المحدد ناقصًا، يعني وجود إشارات مجهولة أكثر من القياسات. الطرق التقليدية لفصل الإشارات تفترض عموماً العكس، لذا تفشل هنا. خدعة حديثة أساسية هي استغلال الندرة: في تمثيل مناسب، يكون كل مصدر نشطًا فقط في لحظات أو ترددات محددة قليلة. إذا كانت في معظم اللحظات تهيمن إشارة واحدة فقط، فإن سحابة البيانات الملاحظة تشكل طبيعيًا مجموعات توجهاتها تشفر كيفية خلط كل مصدر إلى المستقبلات. ومع ذلك، يعتمد العثور الدقيق على هذه المجموعات على وجود تمثيل تُركّز فيه طاقة كل مصدر بشكل حاد بدلًا من أن تكون مبعثرة.

تشديد صورة الإشارة

لكشف الندرة، يحول المهندسون غالبًا الإشارات إلى صورة زمن–تردد تُظهر أي النغمات حاضرة في أي لحظات. يقوم تحويل فورييه قصير النافذة البسيط بذلك عن طريق تمرير نافذة على طول الزمن وأخذ طيف صغير لكل موقع، لكنه يبلور الطاقة ولا يمكنه إعطاء توقيت حاد ودقة تردد في الوقت نفسه. تحولات أكثر تقدمًا مثل الانضاج التزامني واستخرج التزامني تحاول سحب الطاقة المبعثرة نحو التلال التي تتبع تردد الإشارة اللحظي. هذه الطرق تحسن التركيز، لكنها تظل عرضة للضجيج: عندما تُضغط الاضطرابات العشوائية على نفس التلال التي يسير عليها الإشارة، قد ينتج نطاق ساطع لكن غامض يخفي البنية الدقيقة.

العثور على القمم المحلية لتعزيز الندرة

مبنيين على هذه الأفكار، يقدم المؤلفون تحويل الاستخلاص التزامني للحد الأقصى المحلي، أو LMSET. بدلاً من دفع كل الطاقة المجاورة نحو تلة ترددية، يفحص LMSET مستوى الزمن–التردد، ولدى كل لحظة يحدد القمم المحلية على طول محور التردد. لا تُحتفظ إلا بالمعاملات المحيطة بهذه القمم المحلية وتُعاد تعيينها، بينما تُخمد الباقي. هذا التغيير البسيط ينتج تمثيلاً تُركّز فيه طاقة كل مركب إلى منحنيات رفيعة ونظيفة مع نقاط خارجة أقل بكثير. من خلال محاكاة إشارات اختبار متعددة المكونات، يولد LMSET أقل إنتروبيا رينيي، وهو مقياس معياري للتركيز، متفوقًا على الطرق التقليدية والمتقدمة عبر نطاق واسع من مستويات الضجيج. ببساطة، ينتج LMSET صورة أوضح لمدى وجود كل إشارة في الزمن والتردد.

عنقدة أذكى لتعلّم الخلط المخفي

الصورة الحادة ليست سوى نصف المعركة؛ الخطوة التالية هي تجميع النقاط الناتجة لتقدير مصفوفة الخلط المجهولة التي تصف كيفية مساهمة كل مصدر في كل مستقبل. تعتمد العديد من الطرق على التجميع الضبابي C-means، وهي طريقة عنقدة شائعة غالبًا ما تُحشر في حلول ضعيفة لأنها حساسة للغاية لحدس البداية والنقط الشاذة. لتجاوز هذه نقاط الضعف، يقرن المؤلفون LMSET بمخطط عنقدة جديد وأقوى. يبدأون بخوارزمية بحث قائمة على PID، مستوحاة من نظرية التحكم، لاستكشاف فضاء مراكز المجموعات المحتملة وتجنّب مواقع البداية السيئة. ثم يقدمون آلية وزن بوليانية للتخفيف من أثر النقاط الشاذة ويستخدمون استراتيجية إنتروبيا معلوماتية تقلل الحساسية لظروف البداية. معًا، تسمح هذه الخطوات للتجميع بالتمركز على الاتجاهات الحقيقية للمصادر المخفية بشكل أكثر اتساقًا.

ما تكشفه الاختبارات

اختبر المؤلفون خط أنابيبهم الكامل—LMSET زائد العنقدة المحسّنة—على خلطات إشارات اتصال رقمية معدلة، بما في ذلك QAM وQPSK وFSK، في بيئات هادئة وصاخبة على حد سواء. قارنوا مصفوفات الخلط المقدرة مع الحقيقية باستخدام خطأ الزاوية وخطأ الوسط التربيعي المعياري. عبر اللوحة، يؤدي استخدام LMSET بدلًا من تحويل تقليدي إلى تقليل الأخطاء، لأن نقاط البيانات تُشكّل عناقيد أكثر إحكامًا وتمييزًا. من بين طرق العنقدة، يحقق أسلوب C-means الضبابي المعزز والمحسّن بواسطة PID أقل انحرافات زاوية متوسطة وأفضل درجات خطأ. بشكل عام، تُحسن الطريقة المجمعة دقة تقدير مصفوفة الخلط بنحو 20 بالمئة تقريبًا مقارنةً بالأساليب التقليدية، مع الحفاظ على أداء قوي حتى عندما تكون مستويات الضجيج مرتفعة.

لماذا هذا مهم خارج النظرية

لغير المتخصصين، الخلاصة الأساسية هي أن المؤلفين وجدوا طريقة أفضل للنظر في الإشارات المتشابكة وتجميعها بحيث يمكن استعادة كل تيار أصلي بنقاوة أكبر. من خلال التركيز على القمم المحلية في المشهد الزمن–ترددي وإقران هذه الرؤية باستراتيجية عنقدة أكثر دقة، تجعل طريقتهم مشكلة المقهى المستحيلة—كثير من الأصوات، عدد قليل من الآذان—أكثر قابلية للحل. قد تفيد هذه التطورات تطبيقات تتراوح من وصلات الأقمار الصناعية التي تحتاج لفصل الإرساليات المتداخلة، إلى أنظمة طبية تحتاج لعزل إشارات حيوية ضعيفة مدفونة في الضجيج، مما يوفر معلومات أوضح من نفس القياسات المحدودة.

الاستشهاد: Li, X., Li, Z., Yao, R. et al. Source signal sparsity enhancement based on local maximum synchronous extraction transform algorithm for mixed matrix estimation in UBSS. Sci Rep 16, 9378 (2026). https://doi.org/10.1038/s41598-026-40055-y

الكلمات المفتاحية: فصل المصادر العمياء, ندرة الإشارة, تحليل الزمن–التردد, خوارزميات العنقدة, الاتصالات اللاسلكية