تشهد مجالات الاتصال تحولات ديناميكية تؤثر بشكل كبير على كيفية تصنيف التعديل التلقائي (Automatic Modulation Classification - AMC). وهذا يعني أن هياكل النماذج المعتمدة على التعلم العميق تواجه تحديات كبيرة في التعميم عبر مختلف المجالات. في هذا السياق، تأتي شبكة DKDNet، التي تجمع بين المعرفة السابقة والبيانات بهدف تعزيز عملية التعلم عبر المجالات المختلفة.

تناقش الدراسة الجديدة كيفية تأثير المعرفة السابقة على تصنيف التعديل، حيث تضمنت تحليل خمس تمثيلات إشارية شائعة تختلف في قدرتها على التصنيف. من بين تلك التمثيلات، تم اختيار تمثيل الطور (In-Phase/Quadrature - IQ)، وتمثيل السعة والطور (Amplitude-Phase - AP)، ووظيفة الارتباط الذاتي (Autocorrelation Function - ACF) كمدخلات مرشدة موجهة.

تسمح شبكة DKDNet بتعزيز التعلم الموحد من خلال تصميمين رئيسيين: 1) مشفر الميزات متعدد التمثيلات (Multi-Representation Feature Encoder - MRFE) و2) وحدة دمج خفيفة الديناميكية (Dynamic Lightweight Fusion Unit - DLFU). تعمل هذه الوحدات على دمج الميزات بشكل فعال، مما يؤدي إلى تحسين دقة التصنيف عبر جميع المجالات.

أظهرت التجارب على كل من البيانات المحاكاة والعامة أن اختيار المعرفة السابقة كان صائبًا، كما تم التحقق من تفوق الطريقة المقترحة في تحسين أداء نموذج تصنيف التعديل التلقائي. هذا الابتكار يمثل خطوة مهمة في تحدي القيود الحالية لهذه النماذج، مُستفيدًا من رؤى جديدة في علوم الاتصال.