أخبار ar.wedoany.com، اقترح فريق بحثي شبكة عصبية تعتمد على بنية Transformer لفك التعديل المتزامن وتقليل الضوضاء في الزمن الحقيقي لإشارات الاستشعار الصوتي الموزع بالألياف الضوئية (DAS)، أُطلق عليها اسم DASformer. وقد حققت الشبكة دقة مكانية دون المتر وقدرة على المعالجة في الزمن الحقيقي، مما يوفر مسارًا تقنيًا لأنظمة الاستشعار الذكية في سيناريوهات الاستجابة السريعة.
تستخدم تقنية الاستشعار الصوتي الموزع بالألياف الضوئية (DAS) الألياف الضوئية للاتصالات كأجهزة استشعار، مما يتيح مراقبة مستمرة وموزعة على مسافات طويلة لإشارات الاهتزاز أو الموجات الصوتية. وقد طُبقت هذه التقنية في مجالات مثل أبحاث الجيوفيزياء، وسلامة البنية التحتية، والنقل الذكي. ومع توسع سيناريوهات التطبيق نحو مجالات تتطلب معلومات فورية بشكل أكبر، مثل مراقبة حركة المرور الحضري وتحديد مواقع مصادر الصوت للطائرات بدون طيار، يستمر الضغط على معالجة البيانات في أنظمة DAS في الازدياد. لا تتطلب هذه السيناريوهات من النظام التقاط الأحداث الديناميكية في الزمن الحقيقي فحسب (مثل تتبع مسارات المركبات، التعرف على سلوكيات الاقتحام)، بل تحتاج أيضًا إلى استخراج معلومات مرجعية لاتخاذ القرارات بسرعة من كميات هائلة من بيانات الاستشعار. على الرغم من أن طرق فك التعديل التقليدية قادرة على استعادة إشارات الاضطراب، إلا أنها تعتمد على طرق مثل تقسيم النطاق الترددي اليدوي لقمع تلاشي التداخل، مما يزيد من العبء الحسابي ويقلل من الدقة المكانية. في حالات الإجهاد الكبير، يؤدي فك الالتفاف الطوري المعتمد على معيار Itoh إلى تراكم الأخطاء، مما يسبب تشوهًا في الإشارة. بالإضافة إلى ذلك، تواجه الطرق التقليدية عنق زجاجة في الكفاءة الحسابية عند معالجة كميات ضخمة من بيانات DAS، مما يجعل سير عملها غير قادر على تلبية متطلبات زمن الوصول المنخفض والإنتاجية العالية لأنظمة الاستشعار الذكية في الزمن الحقيقي، مما يحد من تطبيقها في سيناريوهات الاستجابة السريعة.
ولمعالجة المشكلات المذكورة أعلاه، اقترح الفريق البحثي شبكة فك التعديل المتزامن وتقليل الضوضاء في الزمن الحقيقي (DASformer) القائمة على بنية Transformer. تعتمد الشبكة على بنية تشفير خالصة، وتقوم بمعالجة إشارات التشتت الخلفي لرايلي الخام من البداية إلى النهاية، لإخراج إشارة الطور التفاضلي بعد فك التعديل وتقليل الضوضاء مباشرة، مما يتجنب تراكم الأخطاء الناتج عن فك الالتفاف الطوري في الطرق التقليدية. من حيث التصميم الهيكلي، تستخدم DASformer آلية الانتباه متعدد المقاييس مع الإزاحة المكدسة لوحدات استخراج الميزات لتعزيز قدرة نتائج فك التعديل على استعادة تفاصيل الاضطراب. في الوقت نفسه، يتم استخدام مجموعة بيانات محاكاة كاملة قائمة على نموذج فيزيائي للتعلم الخاضع للإشراف، مما يمكّن الشبكة من قمع أنواع متعددة من الضوضاء وتلاشي التداخل بشكل متزامن أثناء عملية فك التعديل. بفضل ميزة الحوسبة المتوازية لـ Transformer، حققت الشبكة دقة مكانية دون المتر وفك تعديل وتقليل ضوضاء في الزمن الحقيقي، مما يوفر إشارات عالية الجودة لوحدات اتخاذ القرار الذكية في المراحل اللاحقة.
تشمل الابتكارات الرئيسية لهذه الشبكة: استخدام بنية تشفير Transformer الخالصة لفك تعديل طور إشارات DAS، للحصول مباشرة على إشارة الطور التفاضلي من البداية إلى النهاية؛ تصميم وحدة الانتباه المزدوج للرقعة المنقولة (Shifted-PDA)، والتي تجمع بين آلية الانتباه متعدد المقاييس داخل الرقعة وبين الرقع، مع الإزاحة الدائرية لنافذة الانتباه الذاتي لتحقيق تبادل المعلومات عبر النوافذ، مما يدمج بشكل فعال الميزات المحلية والاعتماديات العالمية، مع إدخال طبقة LeFF التي تستخدم الالتواء العميق القابل للفصل على طول المحور المكاني لتحل محل شبكة التغذية الأمامية التقليدية، مما يعزز قدرة الشبكة على تمثيل التغيرات الطورية المستمرة؛ الاعتماد على مجموعة بيانات محاكاة كاملة للتعلم الخاضع للإشراف (50,000 قناة ألياف ضوئية خام)، واستخدام طريقة تعزيز النسخ المضطربة العشوائية لزيادة البيانات، لتدريب الشبكة على قدرة قمع الضوضاء العشوائية، وضوضاء الطور المتراكمة، وتلاشي التداخل، والاستفادة من مزايا الحوسبة المتوازية لـ Transformer، لتحقيق في النهاية دقة مكانية دون المتر ومعالجة في الزمن الحقيقي لتدفقات بيانات DAS عالية السرعة.
في التجارب الميدانية، استخدم الباحثون نوعين من كابلات الاستشعار الضوئية: "كابل ضوئي موضوع على سطح الطريق" و"كابل ضوئي مدفون للاتصالات". تم استخدام الكابل المدفون للاتصالات لتحديد المواقع الأولية، بالإضافة إلى تجربة رمي الكرات في بيئة هادئة ليلاً، لمقارنة أداء المخطط الجديد مع طرق فك التعديل التقليدية. أظهرت النتائج أنه من حيث قمع الضوضاء، تفوق المخطط الجديد على الطرق التقليدية بمقدار 4.6 ديسيبل. بعد ذلك، تم استخدام الكابل الموضوع على سطح الطريق للمراقبة في الزمن الحقيقي لإشارات المرور داخل الحرم الجامعي (إشارات المركبات، إشارات المشاة). في بعض المقاطع التي كان فيها الكابل ضعيف الالتحام بالأرض، تمكن المخطط الجديد من التمييز بوضوح بين المسارين الناتجين عن العجلات الأمامية والخلفية للمركبات، بينما كانت نتائج فك التعديل للطريقة التقليدية في تلك القناة مختلطة بسبب تدهور الدقة المكانية، مما يؤكد الدقة المكانية دون المتر للشبكة. في مقارنة الكفاءة الحسابية، أظهر هذا المخطط، مقارنة بطرق معالجة الإشارات التقليدية (خوارزمية فك التعديل الطوري القائمة على استخراج النطاق الفرعي، SPEA) وشبكة التعلم العميق القائمة على CNN (SEED-Net)، متوسط زمن استجابة حسابي وكمية حسابية أقل، مما يبرز كفاءة معالجة البيانات الأعلى التي توفرها مزايا الحوسبة المتوازية لبنية Transformer.
