MA-GAN: बिना पूर्व संकेत ज्ञान के इलेक्ट्रॉनिक युद्ध में स्व-सुपरवाइज्ड लर्निंग का क्रांतिकारी परिवर्तन

विद्युत चुम्बकीय स्पेक्ट्रम अब भीड़भाड़ वाला और प्रतिद्वंद्विता से भरा क्षेत्र बन गया है। इलेक्ट्रॉनिक काउंटरमीजर्स अब केवल शोर उत्पन्न करने तक सीमित नहीं रहे हैं। उन्हें संकेतों को प्रभावी ढंग से बाधित करने के लिए उन्नत बुद्धिमत्ता की आवश्यकता है। इस चुनौती के लिए MA-GAN नामक एक नया फ्रेमवर्क एक आकर्षक समाधान प्रस्तुत करता है। यह लक्ष्य संकेतों के बारे में कोई पूर्व जानकारी के बिना ही उच्च गुणवत्ता वाले जैमिंग वेवफॉर्म उत्पन्न करता है। यह दृष्टिकोण पारंपरिक तरीकों में पाए जाने वाले महत्वपूर्ण कमियों को दूर करता है। यह उन वातावरण में विशेष रूप से उपयोगी है जहाँ मॉड्यूलेशन प्रकार और प्रतीक दरें अज्ञात होती हैं या तेजी से बदलती रहती हैं।

पारंपरिक जैमिंग तकनीकें अक्सर लक्ष्य संचार लिंक के बारे में विस्तृत पूर्व जानकारी पर निर्भर करती हैं। दबाव जैमिंग चैनल को शोर से भरकर काफी ऊर्जा खर्च करती है। धोखा देने वाली जैमिंग के लिए लक्ष्य संकेतों के साथ संरचनात्मक समानता की आवश्यकता होती है। बिना विस्तृत पैरामीटर ज्ञान के इस समानता को प्राप्त करना कठिन होता है। हालिया डीप लर्निंग दृष्टिकोणों ने वेवफॉर्म जनरेशन को स्वचालित करने का प्रयास किया है। कंडीशनल जेनेरेटिव एडवर्सेरियल नेटवर्क (Conditional GANs) वादा करते हैं लेकिन उनकी सामान्यीकरण क्षमता कमजोर होती है। ये मॉडल कई मॉड्यूलेशन प्रकारों को संभालते समय मोड कॉलाप्स की समस्या से ग्रस्त होते हैं। वे अज्ञात संकेतों या बदलती प्रतीक दरों के अनुकूल होने में असफल रहते हैं। यह गतिशील खुले स्पेक्ट्रम परिदृश्यों में उनकी व्यावहारिक उपयोगिता को सीमित कर देता है।

MA-GAN लेबल-निर्भर कंडीशनिंग को त्यागकर इन चुनौतियों का समाधान करता है। यह कंप्यूटर विज्ञान में मास्क्ड ऑटोएन्कोडर्स और SimMIM से प्रेरित एक मास्क्ड स्व-सुपरवाइज्ड लर्निंग रणनीति अपनाता है। सिस्टम का मुख्य हिस्सा MWM-encoder है जो एक-आयामी I/Q टाइम-सीरीज डेटा को प्रोसेस करता है। इनपुट संकेत के यादृच्छिक खंडों को मास्क करके, encoder स्थानीय-विंडो अटेंशन तंत्रों का उपयोग करके खड़ी हुई भागों को पुनर्स्थापित करना सीखता है। यह प्रक्रिया मॉडल को मजबूत हिएरार्किकल फीचर रिप्रजेंटेशन सीखने में मदद करती है। ये फीचर स्पेक्ट्रल एनवलप जैसे बड़े पैमाने के वैश्विक सांख्यिकी और तात्कालिक कॉन्स्टेलेशन स्ट्रक्चर्स जैसे सूक्ष्म स्तर के विवरण दोनों को पकड़ते हैं।

एडवर्सेरियल ट्रेनिंग चरण के दौरान, MA-GAN जनरेटर को मार्गदर्शन करने के लिए मल्टीस्केल फीचर फ्यूजन का उपयोग करता है। प्री-ट्रेन्ड encoder लक्ष्य संकेत से चार अलग-अलग स्तरों पर फीचर निकालता है। इन फीचर्स को फिर फ्यूज किया जाता है और यादृच्छिक शोर के साथ जनरेटर में इंजेक्ट किया जाता है। यह सुनिश्चित करता है कि उत्पन्न जैमिंग वेवफॉर्म कई आयामों में लक्ष्य से मेल खाता है। एक मल्टी-हेड डिस्क्रिमिनेटर प्रत्येक स्तर पर उत्पन्न संकेत की वास्तविकता का मूल्यांकन करता है। यह गुणवत्ता में सुधार के लिए सूक्ष्म फीडबैक प्रदान करता है। फ्रेमवर्क स्पेक्ट्रल संगतता और फेज निरंतरता के लिए स्पष्ट बाधाओं को भी शामिल करता है। ये बाधाएं प्राकृतिक फेज असंततियों को रोकती हैं जो उन्नत रिसीवर्स के लिए संकेत को कृत्रिम दिखा सकती थीं।

प्रयोगात्मक परिणाम दर्शाते हैं कि MA-GAN मौजूदा तरीकों की तुलना में काफी बेहतर प्रदर्शन करता है। यह WGAN-GP, DC-GAN और TFC-GAN की तुलना में श्रेष्ठ प्रदर्शन दिखाता है। पावर स्पेक्ट्रल डेंसिटी कॉरिलेशन और ऑटोकोरिलेशन फंक्शन समानता जैसे मेट्रिक्स इसकी प्रभावशीलता को उजागर करते हैं। MA-GAN मजबूत सामान्यीकरण क्षमता प्रदर्शित करता है। यह ज्ञात और पहले अज्ञात दोनों मॉड्यूलेशन प्रकारों के खिलाफ प्रभावी जैमिंग प्रदर्शन बनाए रखता है। यह AWGN, रेले फेडिंग और रिसियन फेडिंग सहित विभिन्न चैनल स्थितियों में सही है। उच्च जैमिंग-टू-सिग्नल अनुपात पर, इसका बिट एरर रेट प्रभाव एक आदर्श सिग्नल-लाइक जैमर के समान हो जाता है। यह क्षमता एडेप्टिव इलेक्ट्रॉनिक युद्ध में एक महत्वपूर्ण कदम है। यह जटिल और अप्रत्याशित विद्युत चुम्बकीय वातावरण में रियल-टाइम स्वतंत्र जैमिंग को सक्षम बनाता है।