STARNet: شبكة إعادة بناء فعالة لمشاركة الميزات الزمانية المكانية لتصنيف التعديل التلقائي

يُعتبر تصنيف التعديل التلقائي (AMC) مهمة حيوية في مجال الاتصالات اللاسلكية، حيث يسمح بتحديد نظام التعديل لإشارة الراديو المستلمة دون معرفة سابقة بنظام الاتصالات. مؤخرًا، حققت الأساليب القائمة على التعلم العميق (DL) نتائج بارزة في هذا المجال. ومع ذلك، تواجه غالبية الأساليب الحالية القائمة على DL تحديات في تحقيق دقة تق识 عالية مع الحفاظ على الكفاءة الحاسوبية. صمم بعض الباحثين نماذج قائمة على الترميز التلقائي لتوليد تمثيلات الميزات الزمنية ذات الأبعاد المنخفضة لإشارة الراديو، مما يقلل من عدد معلمات النموذج مع الحفاظ على أداء عالي في التعرف على أنماط التعديل. ومع ذلك، عند تحسين أداء AMC من خلال تعلم تمثيلات الميزات الزمنية المكانية ذات الأبعاد المنخفضة، تتطلب نماذج الترميز التلقائي التقليدية كل من وحدة فك الترميز التلافيفية ووحدة فك الترميز LSTM لإعادة بناء الميزات الزمنية والمكانية بشكل منفصل، مما يزيد بلا شك من عدد معلمات النموذج. في هذه الورقة، نقترح شبكة إعادة بناء لمشاركة الميزات الزمنية المكانية (STARNet) لاستخراج تمثيلات الميزات الزمنية المكانية ذات الأبعاد المنخفضة لإشارات الراديو باستخدام هيكل ترميز تلقائي واحد، مما يقلل من عدد معلمات النموذج ويحسن أداء AMC. بالإضافة إلى ذلك، نقوم ببناء نموذج هجين انتباهي (HA-Ghost) لاستخراج المعلومات المكانية التمييزية لإشارات الراديو تلقائيًا وفقًا لأداء إعادة بناء الإشارة. تظهر التجارب الواسعة على مجموعات البيانات القياسية أن STARNet المقترح يحقق دقة متوسطة في تصنيف التعديل تبلغ 63.64%، متفوقًا على النماذج السابقة الرائدة في هذا المجال. على الرغم من استخراج مزيد من أنواع الميزات، فإن STARNet يحتوي على 14,860 معلمة فقط، وهو أقل من الأساليب الحالية القائمة على الترميز التلقائي الزماني المكاني.