تُعد أنظمة الاتصالات اللاسلكية أساسية في مجال الاتصالات الحديثة، بما في ذلك شبكات الجيل الخامس (5G) وتقنيات الجيل السادس (6G) المستقبلية. ومع ذلك، تتأثر الإشارات اللاسلكية بالضوضاء، وانتشار الإشارات عبر مسارات متعددة، والتلاشي، مما قد يقلل من موثوقية نقل البيانات. يُعد تقدير القناة عملية مهمة تُمكّن المستقبل من تقدير خصائص القناة اللاسلكية واستعادة المعلومات المرسلة بدقة. وتُستخدم تقنيات تقدير القناة التقليدية، مثل طريقة المربعات الصغرى (Least Squares - LS)، على نطاق واسع، لكنها قد تقدم أداءً محدودًا في ظروف القنوات الصعبة. برز التعلم العميق بوصفه نهجًا واعدًا لتحسين تقدير القناة، من خلال تعلم العلاقات المعقدة بين الإشارات المرسلة والمستقبلة. ويدرس هذا المقال تطبيق التعلم العميق في تقدير القناة ضمن أنظمة تعدد الإرسال بتقسيم الترددات المتعامدة (OFDM). يمكن تنفيذ النهج المقترح وتقييمه باستخدام عمليات المحاكاة في برنامج MATLAB، وذلك في ظل قيم مختلفة لنسبة الإشارة إلى الضوضاء (SNR) وظروف متنوعة للقنوات اللاسلكية. ويمكن تقييم الأداء باستخدام متوسط مربع الخطأ (MSE) ومعدل خطأ البتات (BER)، مع إجراء مقارنات مع طرق التقدير التقليدية. قد يسهم دمج التعلم العميق في عملية تقدير القناة في تحسين موثوقية أنظمة الاتصالات اللاسلكية وكفاءتها. الكلمات المفتاحية: الذكاء الاصطناعي، التعلم العميق، OFDM، تقدير القناة، الاتصالات اللاسلكية، MATLAB، معدل خطأ البتات (BER)، متوسط مربع الخطأ (MSE). 1. المقدمة أدى التطور السريع في تقنيات الاتصالات اللاسلكية إلى زيادة الطلب على نقل البيانات بسرعات عالية وتوفير اتصال موثوق. ويجب أن توفر الأنظمة اللاسلكية الحديثة اتصالات فعّالة على الرغم من وجود الضوضاء والتداخل والتغيرات في بيئة انتشار الإشارات. تُستخدم تقنية تعدد الإرسال بتقسيم الترددات المتعامدة (OFDM) على نطاق واسع في الاتصالات اللاسلكية، لأنها تقسّم تدفق البيانات ذي المعدل المرتفع إلى عدة تدفقات ذات معدلات أقل، تُرسل عبر حوامل فرعية متعامدة. ويساعد هذا الهيكل على تقليل تأثيرات التلاشي الانتقائي للتردد، ويدعم نقل البيانات بكفاءة. ومع ذلك، يعتمد أداء أنظمة OFDM بدرجة كبيرة على دقة تقدير القناة. إذ يجب على المستقبل تقدير خصائص القناة لتعويض تشوه الإشارة واستعادة البيانات المرسلة. وتُستخدم الطرق التقليدية، بما في ذلك طريقة المربعات الصغرى (LS) وطريقة الحد الأدنى لمتوسط مربع الخطأ (Minimum Mean Square Error - MMSE)، على نطاق واسع لهذا الغرض. ومع ذلك، يعتمد أداؤها على ظروف القناة والافتراضات المستخدمة في عملية التقدير. يوفر التعلم العميق نهجًا بديلًا، إذ يسمح للشبكات العصبية بتعلم العلاقات بين خصائص القناة والإشارات المستقبلة اعتمادًا على بيانات التدريب. وتجعل هذه القدرة من التعلم العميق أداة واعدة لتحسين تقدير القناة في البيئات اللاسلكية المعقدة. 2. المنهجية المقترحة يتكون النظام المقترح من مرسل OFDM، وقناة اتصال لاسلكية، ومستقبل OFDM، ووحدة لتقدير القناة تعتمد على التعلم العميق. في البداية، تُولّد بيانات ثنائية عشوائية، ثم تُحوّل إلى رموز باستخدام أحد مخططات التضمين الرقمي، مثل التضمين بإزاحة الطور الرباعي (QPSK). بعد ذلك، تُحوّل الرموز المُضمّنة إلى إشارات OFDM باستخدام تحويل فورييه السريع العكسي (IFFT). وتُضاف بادئة دورية (Cyclic Prefix) قبل إرسال الإشارة عبر القناة اللاسلكية المُحاكاة. تُدخل القناة ضوضاءً إلى الإشارة، وقد تتسبب أيضًا في حدوث تلاشي ناتج عن تعدد المسارات. وعند المستقبل، تُزال البادئة الدورية، ثم يُطبّق تحويل فورييه السريع (FFT) لاستعادة رموز الحوامل الفرعية المستقبلة. يمكن استخدام طريقة تقليدية لتقدير القناة، مثل طريقة المربعات الصغرى (LS)، للحصول على تقدير مرجعي يُستخدم للمقارنة. بعد ذلك، يمكن تدريب شبكة عصبية عميقة باستخدام بيانات مناسبة للقناة، بهدف تقدير خصائصها اعتمادًا على الإشارات المستقبلة ومعلومات الرموز التجريبية المعروفة باسم (Pilot Signals). يمكن تنفيذ الطريقة المقترحة باستخدام برنامج MATLAB، من خلال إنشاء مجموعات بيانات للتدريب والاختبار في ظل ظروف مختلفة للقنوات اللاسلكية. وينبغي تقييم الشبكة المدرّبة باستخدام بيانات لم تُستخدم أثناء التدريب، وذلك لقياس قدرتها على التعميم والتعامل مع بيانات جديدة. 3. تقييم الأداء يمكن تقييم أداء الطريقة المقترحة باستخدام متوسط مربع الخطأ (MSE) ومعدل خطأ البتات (BER). يقيس متوسط مربع الخطأ (MSE) مقدار الاختلاف بين الاستجابة الفعلية للقناة والاستجابة المقدّرة لها. وتشير القيمة الأقل لمتوسط مربع الخطأ إلى دقة أعلى في تقدير القناة. أما معدل خطأ البتات (BER)، فيقيس نسبة البتات التي جرى اكتشافها بصورة خاطئة إلى إجمالي عدد البتات المرسلة. وتشير القيمة الأقل لمعدل خطأ البتات إلى موثوقية أعلى في نقل البيانات. يمكن إجراء تجارب المحاكاة عند قيم مختلفة لنسبة الإشارة إلى الضوضاء (SNR)، باستخدام نماذج القنوات التي تتضمن الضوضاء البيضاء الغاوسية المضافة (AWGN) والتلاشي من نوع رايلي (Rayleigh Fading). بعد ذلك، يمكن مقارنة نتائج الطريقة المعتمدة على التعلم العميق بنتائج تقنيات تقدير القناة التقليدية. ويجب التأكد من فاعلية النهج المقترح من خلال نتائج المحاكاة الفعلية، بما في ذلك المقارنات الرقمية ومنحنيات الأداء. 4. الاستنتاج يوفر التعلم العميق نهجًا واعدًا لتحسين تقدير القناة في أنظمة الاتصالات اللاسلكية OFDM. فمن خلال تعلم الخصائص المعقدة للقناة اعتمادًا على بيانات التدريب، قد تتمكن الشبكات العصبية من تجاوز بعض القيود التي تواجه تقنيات التقدير التقليدية. ويمكن استخدام عمليات المحاكاة في برنامج MATLAB لتقييم النهج المقترح في ظل ظروف مختلفة للقنوات اللاسلكية، ومقارنة أدائه بالطرق التقليدية. وقد تتناول الأبحاث المستقبلية دراسة الشبكات العصبية الالتفافية (Convolutional Neural Networks - CNN) وغيرها من بنى التعلم العميق، بهدف تحسين دقة تقدير القناة وموثوقية الاتصالات.