في عالم الاتصال الحديث، تُعتبر بصمات القنوات (Channel Fingerprints - CF) عنصرًا حيويًا يعزز من قدرة أنظمة الاتصال المتعددة المدخلات والمخرجات الضخمة (Massive MIMO) على استنباط معلومات حالة القناة (Channel State Information - CSI) بدقة وكفاءة. في هذا الإطار، قدمت دراسة جديدة مفهومًا مبتكرًا يُعرف باسم بصمات القنوات الإحصائية (Statistical Channel Fingerprints - sCF) التي تحتفظ بمعلومات إحصائية دقيقة لكل نقطة محتملة في الفضاء.

تكشف الدراسة عن العلاقة الحيوية بين المعلومات الإحصائية لقناة الاتصال، والمتمثلة في مصفوفة التغاير المكاني القنوي (Channel Spatial Covariance Matrix - CSCM)، وطيف الطاقة الزاوي للقناة (Channel Power Angular Spectrum - CPAS). بالاستناد إلى هذه الأسس المتينة، تم إنشاء تمثيل تنسوري موحد لبصمات القنوات الإحصائية (sCF) واختزال أبعادها بشكل فعال من خلال تحليل القيم الذاتية لمصفوفة التغاير والقنوات.

تناول البحث ثلاثة سيناريوهات تمثل التحديات المختلفة في القياسات مثل تكاليف القياس، الخصوصية، والأمان، ومعالجة كل منها كمهام استعادة تنسورية. ولتحقيق ذلك، تم اقتراح بنية جديدة تُعرف باسم LPWTNet تتبنى عملية تحليل هرمية مغلقة (Closed-form Laplacian Pyramid) تعزز من كفاءة أداء النماذج التقليدية.

تتضمن هذه البنية استراتيجية تعلم قناع مشتركة تتيح تحسين المكونات ذات التردد العالي بشكل تفاعلي، مما يسهم في تحسين الأداء الشامل للنموذج. إضافة إلى ذلك، تم تقديم آلية الاستدلال بواسطة التلافيف ذات النواة الصغيرة القائمة على التحويل الموجي (Wavelet Transform - WT) لتعزيز كفاءة استخراج الميزات.

تظهر التجارب المستفيضة أن هذه الطريقة الجديدة تحقق دقة استعادة وتكاملية عالية على مختلف سيناريوهات بناء بصمات القنوات مقارنة مع الأساليب الحالية.