في عالم الذكاء الاصطناعي وتعلم الآلة، ظهرت تحديات عدة في تقدير اتجاه وصول الإشارات (DOA) باستخدام تقنيات التعلم العميق (DL). من بين هذه التحديات، تعتبر أخطاء التكميم الشجري أحد العقبات الرئيسية التي تحد من دقة ووضوح النتائج.

في البحث الحديث المنشور، يقوم العلماء بتقديم تقنية جديدة باستخدام نموذج CNN-Transformer مع تسميات سيغمويد، وذلك لمعالجة تلك الأخطاء. حيث تعمل الطرق التقليدية على تحويل الزاوية المستمرة إلى شبكة، مما يحد من الدقة بسبب حجم الخطوات الشبكية. ومع ذلك، من خلال تحسين طريقة لتعريف الزوايا باستخدام دالة سيغمويد، تم تحقيق نتائج مذهلة.

تقوم دالة السيغمويد بإعادة ترميز زوايا المصادر على شكل مجموع لدوال سيغمويد مونوطونية مزدوجة الاتجاه. ومن خلال الفروقات الدقيقة الناتجة عن الشبكة العصبية "CNN-Transformer" المدربة بهذه الطريق، يتم الحصول على قمم طيفية حادة تعكس بدقة اتجاهات الإشارات.

بفضل خطوة شبكية محسنة بمقدار 0.25 درجة، تمكنت الطريقة الجديدة من تحقيق دقة دون درجة واحدة ووضوح بدرجة واحدة، مما يعد قفزة نوعية في هذا المجال.

وللمقارنة، تم تقييم فعالية تسميات السيغمويد الجديد بمقارنة نتائجه بتسميات أخرى مثل التسمية الغاوسية وتسمية 0-1 القاسية. وقد أظهرت النتائج العددية تفوق تسميات السيغمويد في ما يتعلق بالدقة والوضوح بشكل عام.

إن كنت متحمسًا لاكتشاف تفاصيل أكثر عن هذه التقنية المبتكرة ومدى تأثيرها على مستقبل تقدير الإشارات، لا تتردد في مشاركتنا آراءك: ما رأيكم في هذا التطور؟ شاركونا في التعليقات.