Ein neuartiger Algorithmus zur automatischen Modulationserkennung für OFDM-Signale basierend auf FAFT

Warum drahtlose Signale ein schärferes Gehör brauchen

Zukünftige 5G- und 6G-Netze werden Milliarden von Telefonen, Sensoren, Autos und Geräten über dieselben überfüllten Funkbänder koordinieren müssen. Damit alles reibungslos und sicher läuft, müssen Basisstationen schnell erkennen können, welche Art von Funksignal sie empfangen — selbst wenn dieses Signal in Rauschen versinkt oder durch Gebäude und schnell bewegte Fahrzeuge verzerrt wird. Dieses Paper stellt eine neue Methode vor, die drahtlosen Empfängern ein deutlich schärferes „Ohr“ für solche Signale verleiht und dabei weitaus weniger Rechenleistung benötigt als viele heutige Techniken.

Wie Funkgeräte Signale unterscheiden

Jede drahtlose Übertragung kodiert Informationen, indem bestimmte Eigenschaften einer Funkwelle verändert werden, etwa ihre Amplitude oder Phase. Diese verschiedenen Kodierungsarten nennt man Modulationsarten. Deren automatische Erkennung ist essenziell für intelligentes Spektrum-Management, Schutz in der elektronischen Kampfführung und sichere Verbindungen im Internet der Dinge. Traditionelle Erkennungsverfahren stützen sich entweder auf sorgfältig entwickelte Formeln aus der Kommunikationstheorie oder auf große neuronale Netze, die Muster direkt aus Rohdaten lernen. Erstere können in unordentlichen realen Kanälen Schwierigkeiten haben, während letztere oft große Hardware- und Zeitaufwände erfordern — Ressourcen, die in kompakten Basisstationen knapp sind.

Eine neue Abkürzung, abgestimmt auf moderne Signale

Die Autoren konzentrieren sich auf die in 5G und 6G häufigsten Signale: orthogonale Frequenzmultiplexverfahren, kurz OFDM. OFDM verteilt Informationen auf viele eng beieinanderliegende Träger im Spektrum und erzeugt so ein sehr charakteristisches Muster in der Frequenzdomäne. Anstatt diese Signale wie beliebige Wellenformen zu behandeln, integriert die vorgeschlagene Methode, genannt Fourier Adaptive Filter with Attention (FAFT), dieses Vorwissen direkt ins Netzwerk. FAFT zerlegt das Problem in zwei koordinierte Sichtweisen: eine Frequenzsicht, die direkt anschaut, wie Energie über die Träger verteilt ist, und eine Zeitsicht, die untersucht, wie sich das Signal von Moment zu Moment verändert.

Frequenzmuster hervorheben

In der Frequenzsicht nutzt FAFT zunächst die bekannte schnelle Fourier-Transformation, um die ankommenden In-Phase- und Quadraturproben in ein Spektrum zu überführen. Anschließend kommt eine lernbare Verstärkungsstufe zum Einsatz, die wie ein intelligenter Equalizer wirkt: Sie dämpft unregelmäßige, rauschdominierte Störungen und betont stabile Muster, die mit bestimmten Modulationsformaten verknüpft sind. Danach lernt eine kompakte Bank digitaler Filter, welche Tongruppen hervorgehoben oder unterdrückt werden sollen. Eine einfache mathematische Regel lenkt diese Filter weg von trivialem oder übermäßig spitzem Verhalten und fördert breite, aussagekräftige Spektralformen mit gerade genug feinen Details, um ähnliche Modulationen zu unterscheiden. So erhält das Netzwerk einen sauberen, OFDM-bewussten Fingerabdruck jedes Signals, ohne auf einen tiefen Stapel generischer Schichten zurückgreifen zu müssen.

Timing-Hinweise erfassen und beide Sichtweisen verschmelzen

Parallel dazu scannt ein leichtgewichtiger Zeitbereichszweig das Rohsignal mit flachen eindimensionalen Faltungen und erfasst kurzreichweitige Strukturen wie Symbolübergänge und kurzfristige Verzerrungen, die im Spektrum allein nicht klar sichtbar werden. Die Ausgaben der Frequenz- und Zeitzweige werden dann zusammengeführt und durch einen Aufmerksamkeitsmechanismus geleitet, der lernt, wie viel Gewicht jeder Merkmalstyp unter verschiedenen Kanalbedingungen erhalten soll. In verrauschten Szenen kann das System stärker auf die bereinigten Spektralmuster setzen; in anderen Fällen verlässt es sich mehr auf Timing-Hinweise. Abschließend wandelt ein kleiner Klassifikator diese verschmolzene Darstellung in eine Entscheidung darüber um, welche Modulationsart vorliegt.

Wie die Methode in Tests abschneidet

Um zu prüfen, dass FAFT über kontrollierte Simulationen hinaus nützlich ist, testen die Autoren die Methode an zwei bekannten öffentlichen Datensätzen sowie an einer neuen Sammlung realer OFDM-Signale, die mit Funkhardware und einem standardisierten Fahrzeugkanalmodell aufgezeichnet wurden. In diesen Benchmarks erreicht FAFT gleichwertige oder bessere Ergebnisse als mehrere starke Deep-Learning-Konkurrenten, darunter Residualnetzwerke, hybride Faltungs–Rekurrenz-Modelle und Transformer-basierte Architekturen. Und das mit etwa einem Zehntel oder weniger der Parameterzahl dieser Modelle sowie mit ähnlichem oder geringerem Rechenaufwand. Die Vorteile sind besonders ausgeprägt bei niedrigen Signal-Rausch-Verhältnissen, wo das Spektralverstärkungsmodul dem Modell hilft, die zugrundeliegende Modulation herauszulesen, selbst wenn starke Interferenzen und Mehrweg-Echos vorhanden sind.

Was das für alltägliche Netzwerke bedeutet

Einfach gesagt zeigt die Studie, dass das direkte Einbauen der Besonderheiten moderner OFDM-Wellenformen in ein neuronales Netzwerk schlauere und schlankere Empfänger ergeben kann. Durch die Kombination einer frequenzorientierten adaptiven Filterbank, eines einfachen Zeitbereichszweigs und einer auf Aufmerksamkeit basierenden Fusionsstufe bietet FAFT eine genaue Modulationserkennung bei gleichzeitig geringer Modellgröße — geeignet für den Einsatz in echten Basisstationen oder Edge-Radios. Während 5G- und 6G-Systeme weiter komplexer werden, könnten derartige maßgeschneiderte, ressourceneffiziente Entwürfe Netzwerken helfen, ihr Spektrum in Echtzeit zu erfassen und zu verwalten, die Zuverlässigkeit und Sicherheit zu verbessern, ohne massive neue Hardware zu verlangen.

Zitation: Li, Y., Tang, X., Wang, L. et al. A novel automatic modulation recognition algorithm for OFDM signals based on FAFT. Sci Rep 16, 9614 (2026). https://doi.org/10.1038/s41598-025-33752-7

Schlüsselwörter: automatische Modulationserkennung, OFDM, 5G 6G, Deep Learning, Drahtlose Kommunikation