זיהוי עיוור של קודי ערוץ המבוסס על רשתות נוירונים קונבולוציוניות עם מיזוג מאפיינים בסניף כפול

רדיו חכם יותר עבור ספקטרום צפוף

רשתות אלחוטיות מתמלאות ככל שטלפונים, חיישנים וכלי רכב מתחרים על אותם תדרים. כדי למנוע כאוס, בעתיד «רדיואים קוגניטיביים» יצטרכו להאזין קודם ואז לחלוק ספקטרום החורג באינטליגנציה עם שאר המשתמשים. בעיה מפתח היא שלעיתים קרובות רדיו כזה אינו יודע כיצד האות המקורי הוגן מפני שגיאות לפני ששודר. המאמר מציג שיטת בינה מלאכותית חדשה שיכולה לנחש את קוד תיקון השגיאות הסמוי שהשתמשו בו על אות — ללא מידע מקדים — מה שמקל על מקלטים חכמים להתמקד ולתקשר בצורה אמינה.

מדוע קודי תיקון שגיאות סמויים חשובים

קישורים אלחוטיים מודרניים מגנים על נתונים באמצעות קודי תיקון שגיאות, שמוסיפים עודפת מובנית כך שמקלטים יכולים לתקן טעויות שנגרמות מרעש והפרעות. מצבים שונים דורשים קודים שונים: קודי המינג הפשוטים, קודי BCH ו-Reed–Solomon החזקים יותר, קודי LDPC ו-Polar הגמישים, או קודי הצפנה רציפים כמו קונבולוציוניים ו-Turbo. בסביבות לא שיתופיות — כגון תקשורת צבאית, ניטור ספקטרום או פסי תדר פתוחים ומשותפים — מקלטים לא יכולים לשאול את המשדר איזה קוד הוא משתמש. הם רואים רק זרם ביטים מרועש. ניחוש נכון של סכמת הקידוד, משימה הנקראת זיהוי קוד עיוור, הוא חיוני לפני שניתן לבצע דה-קודינג משמעותי או עיבוד ברמה גבוהה יותר.

מגבלות השיטות הקודמות לזיהוי

מחקרים קודמים התמקדו או במשפחה אחת של קודים בכל פעם או הסתמכו על סטטיסטיקות בעבודת יד כגון תדירות חזרות ביטים, עד כמה רצף נראה אקראי, או טריקים אלגבריים המותאמים לקוד ספציפי. גישות אלה עשויות לומר "זה סוג של קוד בלוק" אך מתקשות להבחין בין מספר פורמטים פופולריים בו־זמנית. למידה עמוקה שיפרה לאחרונה את המצב על ידי התייחסות לזרמי הביטים קצת כמו משפטים במודל שפה. עם זאת, רוב הרשתות הנוירוניות מסתכלות או רק על רצפי גולמיים או רק על מאפיינים בעבודת יד, ובדרך כלל מטפלות בפחות משניים או שלושה סוגי קודים יחד. הדיוק שלהן יורד בצורה חדה כאשר שיעור שגיאת הביטים עולה, בדיוק בזמן שבו זיהוי חזק נחוץ ביותר.

רשת נוירונית דו-מסלולית הבוחנת מבנה וסטטיסטיקה

המחברים מציעים רשת קונבולוציונית למיזוג מאפיינים בסניף כפול (DBFCNN) שמתמודדת עם זיהוי עיוור של שבעת הקודים הנפוצים בבת אחת: Hamming, BCH, Reed–Solomon, LDPC, Polar, קונבולוציוני ו-Turbo. הסניף הראשון מתייחס לביטים הנכנסים כ"מילים" קצרות, מקבץ אותם לגושים של 8 ביטים וממפה כל גוש לווקטור צפוף, בדומה להטבעת מילים בעיבוד שפה טבעית. לאחר מכן הוא מריץ סדרת קונבולוציות חד־ממדיות עם גדלי חלונות ושיעורי דילציה שונים. פילטרים קטנים לוכדים תבניות טווח קצר, כמו המבנה הצמוד של קודי בלוק פשוטים, בעוד שפילטרים רחבים ומדוללים משתרעים על טווחים ארוכים יותר, ותופסים עקבות של אינטרליברים ותבניות פריטי שיוויון אופייניות לקודי Turbo ו-LDPC. שלב pooling גלובלי ממצק את זה לסיכום דחוס של "טביעת האצבע" המבנית של הרצף.

מדדים בעבודת יד שמייצבים את המודל

הסניף השני נוקט מבט שונה מאוד. במקום ביטים גולמיים, הוא מחשב שבע משפחות של סטטיסטיקות תיאוריות שמהנדסים יודעים כי רגישות לבחירות קידוד. אלה כוללים תדירות ריצות של ביטים זהים, עד כמה הרצף מורכב, עד כמה הוא נראה אקראי, כמה חזק הקורלציה שלו עם עותקים מזוזים של עצמו, ואיך האנרגיה שלו מתפזרת בתדרים. מדדים נוספים בוחנים עד כמה הקוד נראה "ליניארי" ואיך בלוקים מקומיים של ביטים מתנהגים. מכיוון שסטטיסטיקות אלה משתנות לאט עם הוספת רעש, הן נותנות לרשת פרספקטיבה יציבה ועמידה לרעש. תת־רשת נוירונית קטנה הופכת את וקטור המאפיינים הזה לייצוג דחוס נוסף. לבסוף, DBFCNN מצרפת את שני הסניפים, מנרמלת ומבצעת רגולריזציה למאפיינים המשולבים, ומזינהם לממיין שמייצר הסתברויות לכל אחד משבעת סוגי הקודים.

הוכחת אמינות בתנאי רעש

כדי לבדוק בקפדנות את DBFCNN, המחברים ייצרו יותר ממיליון דוגמאות סינטטיות המכסות שבע משפחות קודים, הגדרות פרמטריות מרובות ושיעורי שגיאת ביטים החל מתנאים כמעט נטולי־שגיאות ועד תנאים רעשיים קיצוניים. הם אימנו ובחנו את המודל באמצעות נהלי מונטה־קרלו קפדניים כדי להימנע מהתאמות חבויות בין נתוני האימון ובדיקת המבחן. על פני טווח רחב זה, DBFCNN עקב באופן עקבי אחרי שלושה בסיסים חזקים, כולל CNN מדולל רב־קנה מידה קודם שתוכנן במיוחד למשימה זו. בקצבי שגיאה מתונים ונמוכים (שיעור שגיאת ביטים מתחת ל-10⁻³), הרשת החדשה זיהתה נכון את סוג הקוד בכ-98% מהמקרים, ושיפרה את הדיוק האבסולוטי בכ־5–11 נקודות אחוז לעומת המודל החזק הקודם. גם כאשר רמת הרעש הפכה לחמורה למדי, DBFCNN שמרה על יתרון ברור ויכלה עדיין לזהות מספר קודים מורכבים בביטחון גבוה.

מובן הדבר עבור רדיו חכם בעתיד

ללא מומחה, המסקנה המרכזית היא שעבודה זו מראה כיצד שילוב ידע תחומי עם למידה עמוקה יכול להפוך רדיו ליותר עצמאי. DBFCNN לומדת את ה"מבטא" העדין של קודי תיקון שגיאות שונים בזרמי ביטים רעשיים על ידי האזנה בשתי דרכים בו־זמנית: סניף אחד שומע תבניות מקומיות מפורטות, בעוד השני מודד רמזים סטטיסטיים גלובליים. על ידי מיזוג שתי הפרספקטיבות האלה, המערכת בדרך כלל יודעת להגיד בדיוק איזו סכמת קידוד נמצאת בשימוש, ללא כל שיתוף פעולה מהמשדר. היכולת הזו היא אבני בניין לרדיו קוגניטיבי שיכול להצטרף לרשתות לא מוכרות, להסתגל לסביבות משתנות, ולנצל טוב יותר ספקטרום מצומצם, ובו־זמנית לשמור על תקשורת אמינה גם כאשר הגל האווירי צפוף ורועש.

ציטוט: Ma, Y., Lei, Y., Liu, C. et al. Blind recognition of channel codes based on dual-branch feature fusion convolutional neural networks. Sci Rep 16, 5159 (2026). https://doi.org/10.1038/s41598-026-35558-7

מילות מפתח: רדיו קוגניטיבי, קידוד ערוץ, למידה עמוקה, תיקון שגיאות, מיון אותות