FSA-Net: Cara Pembelajaran Mendalam Menentukan Sumber Sinyal Tak Dikenal dengan Presisi Sub-Derajat

Bayangkan Anda harus melacak banyak bisikan di ruangan bising tanpa tahu berapa orang yang bicara atau posisi mereka. Ini adalah kenyataan sehari-hari bagi para insinyur komunikasi nirkabel dan sistem radar. Metode tradisional seperti MUSIC dan ESPRIT selama ini menjadi andalan untuk menentukan arah datangnya sinyal. Namun, teknik klasik ini gagal saat kualitas sinyal buruk, sumber sinyal saling berdekatan, atau jumlah pemancar aktif tidak diketahui. Kerangka kerja pembelajaran mendalam baru bernama FSA-Net mengisi kekosongan ini. Sistem ini memperkirakan jumlah sumber dan sudut pastinya secara bersamaan. Proses ini dilakukan tanpa memerlukan pengetahuan sebelumnya tentang kondisi lingkungan.

Keunikan FSA-Net terletak pada kemampuannya menangani tiga tantangan berbeda dalam satu model terpadu. Sebagian besar solusi existing membutuhkan konfigurasi terpisah untuk satu, dua, atau tiga sumber. FSA-Net menganggap skenario campuran sebagai bagian alami dari alur kerjanya. Jaringan ini juga mengatasi masalah ambiguitas permutasi. Masalah ini sering mengganggu jaringan saraf karena output terurut tidak cocok dengan realitas fisik yang tidak terurut. Dengan mekanisme forward sort-and-gather, FSA-Net menyelaraskan sudut prediksi dengan logit keberadaan melalui permutasi tersinkronisasi. Hal ini memastikan setiap prediksi sudut sesuai dengan kehadiran sumber tertentu. Selain itu, penambahan istilah gap adjacen dalam fungsi objektif meningkatkan resolusi untuk sumber yang berada sangat dekat.

Data input sistem berasal dari matriks kovarians sampel ternormalisasi yang dihasilkan oleh larik linier seragam. Dengan menumpuk komponen riil, imajiner, dan magnitudo, model menangkap struktur korelasi spasial lingkungan secara utuh. Hasilnya sangat meyakinkan. FSA-Net mempertahankan error root mean square di bawah derajat untuk rasio sinyal terhadap noise yang luas. Metode subspace klasik sering gagal dalam kondisi SNR rendah. Pendekatan pembelajaran mendalam ini tetap stabil. Akurasi penghitungan sumber mencapai tingkat hampir sempurna. Sistem mengidentifikasi jumlah sumber aktif yang benar dengan keandalan lebih dari 97 persen bahkan pada SNR -15 dB.

Efisiensi adalah aspek menarik lainnya dari arsitektur ini. Dengan hanya 4,439 juta parameter dan operasi floating-point per detik yang rendah, FSA-Net menawarkan solusi ringkas. Solusi ini ideal untuk perangkat dengan keterbatasan sumber daya. Versi saat ini masih dibatasi hingga tiga sumber simultan. Namun, hal ini menetapkan standar tinggi untuk tugas estimasi gabungan. Para peneliti sudah merencanakan perluasan kemampuan ini ke pengukuran terkuantisasi dan sumber koheren. Kemajuan ini menjanjikan beamforming yang lebih robust untuk permukaan cerdas yang dapat dikonfigurasi ulang generasi berikutnya serta larik termodulasi waktu terdistribusi.