DSP 101
M12 · L04
الوحدة 12: الختام والتطبيقات الحقيقية

الـ machine learning بيقابل الـ DSP

الـ neural networks بقت عايشة جوه كل طبقة من طبقات الـ signal processing — بس الـ signal processing الكلاسيكي لسه هو اللي ماسك الدفة مكان ما الموثوقية وقابلية التفسير هما الأهم.

01 / 11
DSP 101
M12 · L04
نموذجين

model رياضي قصاد بيانات

الـ signal processing الكلاسيكي
رياضيات من مبادئ أولى — مثالية لما إحصائيات الـ signal تبقى معروفة
الـ machine learning
متعلّم من البيانات — بيتكيّف لما الإحصائيات تبقى مش معروفة أو مش stationary
02 / 11
DSP 101
M12 · L04
إزالة الـ noise بالـ neural networks

الـ dilated convolutions

رصّ 1D convolutions بـ dilation factors 1، 2، 4، ..، 512. الـ receptive field بيكبر أُسّيًا مع العمق والـ parameters بتكبر خطّيًا.

الـ dilated convolution
(x *_d h)[n]=\sum_{k=0}^{K-1}h[k]\,x[n-d\cdot k]
03 / 11
DSP 101
M12 · L04
تصنيف الـ modulation

samples IQ داخلة، labels طالعة

  • دخّل samples الـ IQ المركّبة الخام في convolutional network
  • بتتعلّم features أغنى من أي cumulant extractor يدوي
  • RadioML: دقة >95% على 24 class modulation عند SNR > 10 dB
  • التمن: قرارات black box، ومحتاجة training data labeled
  • الـ AMC الكلاسيكي لسه بيكسب عند SNR واطي وفي مراجعات الـ spectrum المتنظّمة
04 / 11
DSP 101
M12 · L04
الـ equalization بالـ machine learning

equalizers بالـ RNN والـ Transformer

الـ sequence models بتتعلّم عكس القناة end-to-end — مش لازم channel estimation صريح. بتعدّي الـ MMSE في القنوات اللي فيها حركة عالية. بتفشل فشل كارثي برا التوزيع.

+
قنوات حركتها عالية
⚠
أنواع قنوات جديدة
✓
الكلاسيكي بيتدهور بالتدريج
05 / 11
DSP 101
M12 · L04
الـ model-based deep learning

الـ algorithm unrolling

  • حوّل خوارزمية iterative (ISTA، الـ turbo decoder) لـ network عمقها محدود
  • بدّل الـ parameters الثابتة بـ weights متعلّمة
  • كل layer ليها معنى واضح في الـ signal processing
  • LISTA: 10 layers ≈ 1000 iteration من ISTA — تسريع 100×
  • أحسن ما في العالمين: قابلية التفسير + التحسين المبني على البيانات
06 / 11
DSP 101
M12 · L04
تستخدم إيه إمتى

الـ signal processing الكلاسيكي بيكسب

استخدم الـ signal processing الكلاسيكي لما
safety-critical · معتمد بـ standards · deterministic في الـ real time · مفيش training data
استخدم الـ machine learning لما
بيانات labeled كتير · قابلية التفسير مش مطلوبة · إحصائيات معقّدة ومش stationary
07 / 11
DSP 101
M12 · L04
الأنظمة الهجينة

سلسلة معالجة DSP + ML

  • طبّق الـ machine learning مكان ما الإحصائيات صعب تتعمل لها model تحليليًا
  • احتفظ بالـ signal processing الكلاسيكي للمراحل اللي ممكن تتحلّل
  • الـ learned filterbanks: windows STFT ممكن تتدرّب end-to-end
  • الـ MFCCs (mel scale + لوغاريتم + DCT): الـ feature الكلاسيكية للكلام المعمولة باليد اللي الـ banks المتعلّمة دي بتحل محلها
  • الـ neural beamformers: الـ MVDR اتبدّل بـ convolutional network مركّبة
  • الـ deep unrolled OFDM receivers: refinement لتقدير القناة بشكل iterative
08 / 11
DSP 101
اختبار سريع

شوف إيه اللي ثبت

أربع أسئلة عن الـ machine learning والـ DSP — الـ dilated convolutions، والـ neural equalizers، والـ algorithm unrolling، وإمتى الـ DSP الكلاسيكي لسه بيكسب.

السؤال 1 من 0
النتيجة 0/0

09 / 11
DSP 101
M12 · L04
أهم النقط

ست حاجات تستاهل تفتكرها

  • الـ machine learning بيكسب في الإحصائيات المش stationary؛ والكلاسيكي في الـ models المعروفة
  • الـ dilated convolutions: receptive field أُسّي، وعدد parameters خطّي
  • تصنيف الـ modulation بالـ CNNs بيعدّي الـ features اليدوية عند SNR عالي
  • الـ neural equalization بيغلب الـ MMSE في الحركة العالية — بس بيفشل برا التوزيع
  • الـ algorithm unrolling بيطلّع networks هجينة قابلة للتفسير وكفء في البيانات
  • الـ signal processing الكلاسيكي إجباري في الأنظمة الـ safety-critical المعتمدة
10 / 11
DSP 101
مكتمل
الوحدة 12 خلصت

خلّصت DSP-101

من نظرية Nyquist لحد الـ neural equalizers — معاك دلوقتي صورة كاملة عن الـ DSP، من الأساسات الرياضية لحد الأنظمة الحقيقية.

ارجع للنظرة العامة
صفحة كورس DSP-101 ←
كل الدروس اقرا المقالة
11 / 11