Çift dal şube özellik füzyonlu evrişimsel sinir ağlarına dayalı kanal kodlarının kör tanınması

Kalabalık frekans bantları için daha akıllı radyolar

Telefonlar, sensörler ve araçlar aynı frekansları paylaşmak için yarışırken kablosuz ağlar giderek daha kalabalık hale geliyor. Kaosu önlemek için geleceğin “bilişsel radyoları” önce dinlemeli, ardından akıllıca başkalarına ait olan spektrumu paylaşmalıdır. Temel bir sorun, bu radyoların genellikle orijinal sinyal gönderilmeden önce hatalardan nasıl korunduğunu bilmemeleridir. Bu makale, herhangi bir ön bilgiye ihtiyaç duymadan bir sinyalde kullanılan gizli hata düzeltme kodunu tahmin edebilen yeni bir yapay zeka yöntemi sunuyor; bu da akıllı alıcıların kilitlenmesini ve güvenilir iletişim kurmasını kolaylaştırır.

Gizli hata düzeltme kodlarının önemi

Modern kablosuz bağlantılar, alıcıların gürültü ve girişim nedeniyle oluşan hataları düzeltmesini sağlayan özenle yapılandırılmış fazlalık ekleyen hata düzeltme kodlarıyla veriyi korur. Farklı durumlar farklı kodlar gerektirir: basit Hamming kodları, daha güçlü BCH ve Reed–Solomon kodları, esnek LDPC ve Polar kodları veya akış tarzı konvolüsyonel ve Turbo kodları. Askeri iletişim, spektrum izleme veya açık, paylaşılan bantlar gibi işbirliği olmayan ortamlarda alıcılar, vericiden hangi kodu kullandığını soramaz. Sadece gürültülü bir bit akışı görürler. Kör kod tanıma adı verilen ve kod şemasını doğru şekilde tahmin etmeyi amaçlayan bu görev, anlamlı bir çözümlenme veya üst düzey işleme yapılmadan önce gereklidir.

Önceki tanıma yöntemlerinin sınırları

Önceki araştırmalar ya tek bir kod ailesine odaklandı ya da bitlerin ne sıklıkla tekrar ettiğini, bir dizinin ne kadar rastgele göründüğünü veya belirli bir koda özgü cebirsel hileler gibi elle tasarlanmış istatistiklere dayandı. Bu yaklaşımlar “bu bir blok kodu türü” diyebilir ama birden çok popüler formatı aynı anda ayırt etmekte zorlanır. Derin öğrenme, bit akışlarını dil modelindeki cümlelere benzer şekilde ele alarak son zamanlarda durumu iyileştirdi. Ancak çoğu sinir ağı ya yalnızca ham dizilere bakıyor ya da yalnızca elle tasarlanmış özellikleri kullanıyor ve genellikle en fazla iki veya üç kod türünü birlikte işleyebiliyor. Bit hata oranı arttığında doğruluk keskin biçimde düşüyor; oysa güçlü tanımanın en çok gerektiği zaman tam da budur.

Yapıyı ve istatistikleri aynı anda gören çift yollu sinir ağı

Yazarlar, Kör Tanıma için Çift Dal Özellik Füzyonlu Evrişimsel Sinir Ağı (DBFCNN) öneriyor; bu ağ tek seferde yedi yaygın kullanılan kodu tanımayı hedefliyor: Hamming, BCH, Reed–Solomon, LDPC, Polar, konvolüsyonel ve Turbo kodları. Birinci dalga gelen bitleri kısa “sözcükler” gibi ele alıyor; bunları 8 bitlik parçalara gruplayıp her parçayı yoğun bir vektöre eşliyor; bu, doğal dil işleme’deki sözcük gömme (word embedding) yaklaşımına benziyor. Ardından farklı pencere boyutları ve dilasyon hızlarına sahip bir dizi bir boyutlu evrişim uyguluyor. Küçük filtreler basit blok kodlarının sıkı yapısı gibi kısa menzilli desenleri yakalarken, daha büyük ve dilate filtreler daha uzun aralıkları kapsayarak Turbo ve LDPC kodlarına özgü enterleaver ve parite desenlerinin izlerini alıyor. Küresel bir havuzlama adımı, bunu dizinin yapısal “parmak izi”nin kompakt bir özetine sıkıştırıyor.

Modeli dengeleyen elle tasarlanmış ölçümler

İkinci dalga çok farklı bir görüş alıyor. Ham bitler yerine, mühendislerin kod seçimlerine duyarlı olduğunu bildiği yedi ailede açıklayıcı istatistik hesaplıyor. Bunlar, aynı bitlerin ardışık dizilerinin ne sıklıkla ortaya çıktığı, dizinin ne kadar karmaşık olduğu, ne kadar rastgele göründüğü, kendisinin kaydırılmış kopyalarıyla ne kadar güçlü korelasyon gösterdiği ve enerjisinin frekanslar arasında nasıl dağıldığı gibi ölçüleri içeriyor. Ek ölçümler kodun ne kadar “lineer” göründüğünü ve bitlerin yerel blok davranışlarını inceliyor. Bu istatistikler gürültü eklendiğinde yavaşça değiştiği için ağa kararlı, gürültüye dayanıklı bir bakış açısı sağlar. Küçük bir sinir alt-ağı bu özellik vektörünü başka bir kompakt temsile çevirir. Son olarak DBFCNN iki dalı birleştirir, birleştirilmiş özellikleri normalize ve düzenler ve yedi kod türü için olasılıkları veren bir sınıflandırıcıya besler.

Gürültülü koşullar altında güvenilirliği kanıtlama

DBFCNN’yi titizlikle test etmek için yazarlar, yedi kod ailesini, çoklu parametre ayarlarını ve neredeyse hatasızdan son derece gürültülü koşullara kadar değişen bit hata oranlarını kapsayan bir milyondan fazla sentetik örnek üretti. Eğitim ve test verileri arasındaki gizli örtüşmeleri önlemek için dikkatli Monte Carlo prosedürleri kullandılar. Bu geniş aralıkta DBFCNN, bu görev için özel olarak tasarlanmış önceki çok ölçekli dilate CNN dahil olmak üzere üç güçlü kıyaslamayı tutarlı şekilde geride bıraktı. Orta ve düşük hata oranlarında (bit hata oranı 10⁻³’ün altında) yeni ağ, kod türünü yaklaşık %98 doğrulukla tanımladı ve en güçlü önceki modele göre göreli olarak kabaca 5–11 yüzdelik puan daha iyi mutlak doğruluk sağladı. Gürültü seviyesi oldukça şiddetli hale geldiğinde bile DBFCNN belirgin bir avantajını korudu ve birkaç karmaşık kodu hâlâ yüksek güvenle tanıyabildi.

Geleceğin akıllı radyoları için bunun anlamı

Bir uzman olmayan için ana çıkarım, bu çalışmanın alan bilgisi ile derin öğrenmeyi birleştirmenin radyoları çok daha kendine yeten hale getirebileceğini göstermesidir. DBFCNN, aynı anda iki şekilde dinleyerek gürültülü bit akışlarında farklı hata düzeltme kodlarının ince “vurgu”larını öğrenir: bir dal yerel ayrıntılı desenleri duyar, diğeri ise küresel istatistiksel ipuçlarını ölçer. Bu görüşleri birleştirerek sistem genellikle hangi kodlama şemasının kullanıldığını tam olarak söyleyebilir; vericinin işbirliği yapmasına gerek yoktur. Bu yetenek, tanımadığı ağlara katılabilen, değişen ortamlara uyum sağlayan ve kıt spektrumu daha iyi kullanan bilişsel radyolar için bir yapı taşıdır; ayrıca hava dalgaları kalabalık ve gürültülü olduğunda bile iletişimi güvenilir tutmaya yardımcı olur.

Atıf: 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

Anahtar kelimeler: bilişsel radyo, kanal kodlama, derin öğrenme, hata düzeltme, sinyal sınıflandırma