نحو تصنيف التضمين بعينات قليلة عبر المجالات: نهج شبكة عصبية بيانية لتحويل الميزات

لماذا تهم الراديوهات الأذكى

تعتمد الحياة الحديثة على موجات الراديو غير المرئية، من الهواتف المحمولة والواي‑فاي إلى الرادار وروابط الأقمار الصناعية. في الطيف المكتظ، يجب على الأجهزة أن تحدّد بسرعة نوع الإشارة التي تلتقطها حتى تتمكّن من فك تشفيرها أو تجنّبها أو تعطيلها. تصبح هذه المهمة، المسماة تمييز التضمين، أصعب بشكل خاص عندما تتوفر أمثلة قليلة فقط وعندما تختلف ظروف العالم الحقيقي عن تلك المستخدمة أثناء التطوير. يقدم هذا البحث طريقة جديدة لتمكين الآلات من تعلّم التعرّف على أنواع إشارات الراديو بشكل موثوق حتى عندما تكون البيانات نادرة والظروف متغيرة.

كيف «تتكلّم» الراديوهات بلكنات مختلفة

كل نظام لاسلكي «يتكلّم» بأسلوب تضمين — طريقة لطبع المعلومات على موجة الحامل بتغيير السعة أو الطور أو التردّد. حاولت الخوارزميات التقليدية تحديد هذه الأساليب باستخدام صيغ مصممة يدوياً، لكن تلك الطرق معقّدة وغالباً ما تفشل في الطيف المزدحم والضوضائي اليوم. حسّن التعلم العميق الأمور بتمكين الشبكات العصبية من تعلم الأنماط مباشرة من عينات الإزاحة التكوينية والتربيعية (I/Q) الخام. ومع ذلك، فإن هذه الشبكات عادة ما تتطلب ملايين الأمثلة المصنفة وتميل إلى التعثّر عند مواجهة أنواع إشارة جديدة أو ظروف قناة تختلف عن بيانات التدريب.

التعلّم من عدد قليل من الأمثلة فقط

لمحاكاة قدرة البشر على تعلّم مفهوم جديد من بضع مشاهدات فقط، يبني المؤلفون على فكرة التعلّم بقلة العينات. بدلاً من تدريب مصنّف كبير مرة واحدة، يتم تدريب النظام عبر العديد من «الحلقات» الصغيرة التي تشبه كلّ منها مشكلة تمييز مصغّرة: مجموعة دعم صغيرة من الإشارات المصنفة ومجموعة استعلام من غير المصنفة. من خلال حلّ مثل هذه المهام المصغّرة المتكررة المستمدة من أنماط تضمين معروفة، يتعلّم النموذج كيف يتكيّف بسرعة مع أنواع جديدة لم يرها من قبل. العقبة هي أنه في الراديو، غالباً ما تبدو فئات الإشارة الجديدة مختلفة إحصائياً عن القديمة، مما يخلق عدم تطابق مضمّن، أو انحراف مجال، لا تتعامل معه طرق التعلم بقلة العينات القياسية جيداً.

تحويل موجات الراديو إلى صور

الفكرة الرئيسية الأولى في هذا العمل هي تحويل آثار الإشارة أحادية البعد إلى تمثيلات غنية شبيهة بالصور تكون أسهل لفصلها بواسطة الشبكات العصبية. بدلاً من تغذية عينات I/Q الخام مباشرة، يجمع المؤلفون بين ثلاث وجهات نظر مكملة: منظور الكوكبة القطبي الذي يُبرز كيفية تجمّع النقاط من حيث السعة والطور، ومنظور غراميان الذي يسلّط الضوء على العلاقات بعيدة المدى عبر الزمن، ومنظور ماركوف الذي يلتقط كيف تميل حالات الإشارة إلى تَتالي بعضها بعد بعض. ينتج عن كلٍّ من هذه منظور نمط مربع؛ وعند تكديسها معاً كقنوات لونية في صورة، تشكّل صورة مركبة لكل نبضة قصيرة من بيانات الراديو. هذا التصميم يكبّر الاختلافات بين أساليب التضمين بحيث يمكن للشبكات العصبية الأبسط تمييزها.

إعادة تشكيل الميزات بلطف عبر ظروف متغيرة

الابتكار الثاني هو مجموعة من طبقات تحويل الميزات على مستوى الميزة تُدرج في مستخرج ميزات تلافيفي مدمج. عندما تمر الإشارات من بيئات جديدة عبر هذه الطبقات، يمكنها إعادة تحجيم وتحريك خرائط الميزات بأكملها بهدوء، مما يدفعها نحو مطابقة الأنماط التي تعلّمتها الشبكة مسبقاً من أنواع الإشارة المألوفة. أثناء التدريب، تُقسّم الفئات المعروفة إلى مجموعات «شُبه‑مرئية» و«شُبه‑غير مرئية». يتم ضبط المستخرج الأساسي ومصنّف قائم على الرسم البياني على جزء الشبه‑مرئي، بينما تُضبط طبقات التحويل خصيصاً لإصلاح الأداء على جزء الشبه‑غير مرئي. تُعلّم هذه الخطة التعلمية المعدّلة الشبكة ليس فقط التعرف على تضمينات معينة، بل أيضاً تصحيح ميزاتها عندما تتغير مجموعة التسميات.

السماح للإشارات بمساعدة بعضها في التصنيف

أخيراً، تستخدم الطريقة شبكة عصبية بيانية لاستغلال العلاقات بين العينات القليلة المصنفة والعديد من العينات غير المصنفة في كل حلقة. تصبح كل إشارة عقدة، مرتبطة بقوة أكبر بالإشارات ذات الميزات المماثلة. من خلال جولات من تمرير الرسائل عبر هذه الاتصالات، تنتشر معلومات التسميات من مجموعة الدعم إلى مجموعة الاستعلام، بحيث تُدفع الإشارات غير المصنفة الموجودة ضمن عنقود متماسك من نوع معروف نحو تلك الفئة. تظهر الاختبارات على مجموعتي معيار قياس قياسيتين من بيانات راديو اصطناعية أن هذا النهج المجمّع — مدخلات شبيهة بالصور، طبقات ميزات قابلة للتعديل، واستدلال قائم على الرسم البياني — يتفوّق باستمرار على عدة أساليب أساس للتعلّم بقلة العينات ومنافسين متخصصين حديثين، وغالباً بفارق نقاط مئوية عدة في الدقة مع استخدام بضع أمثلة مصنفة لكل فئة فقط.

ما الذي يعنيه هذا لأنظمة الاتصالات اللاسلكية المستقبلية

بعبارات بسيطة، يوضح هذا العمل كيفية بناء «مستمع» راديو يمكنه تعلم لهجات إشارة جديدة بسرعة والبقاء موثوقاً عندما يتغير بيئة الاتصال اللاسلكي، دون إعادة تدريب على مجموعات بيانات ضخمة جديدة. عن طريق تحويل الموجات إلى صور بذكاء، وضبط الميزات الداخلية لسد الفجوة بين الظروف القديمة والجديدة، والسماح للإشارات بالتصويت لبعضها عبر رسم بياني، يقترب النظام المقترح من قابلية التكيّف الشبيهة بالإنسان. قد تجعل مثل هذه التقنيات مراقبة الطيف، والحروب الإلكترونية، والراديوات المعرفية من الجيل القادم أكثر مرونة ومتانة مع ازدحام وتغيّر موجات الهواء بشكل متزايد وغير متوقع.

الاستشهاد: Shi, Y., Xu, H., Qi, Z. et al. Towards cross-domain few-shot modulation classification: a feature transformation graph neural network approach. Sci Rep 16, 8706 (2026). https://doi.org/10.1038/s41598-026-43563-z

الكلمات المفتاحية: الإشارات اللاسلكية, التعلّم بقلة العينات, الشبكات العصبية البيانية, تعرّف التضمين, انحراف المجال