Tiefe Residualnetzwerke mit mehrstufigem Residual‑of‑Residual zur automatischen Klassifikation von Funksignalen für 5G‑ und Folgesysteme

Intelligentere Funkgeräte für eine Zukunft mit vollen Frequenzen

Da Telefone, Autos und sogar Stromnetze um drahtlose Verbindungen konkurrieren, werden die Funkbänder zunehmend überfüllt und komplexer. Damit Netzwerke zuverlässig funktionieren, müssen Empfänger schnell erkennen, welche Art von Signal sie empfangen, um es korrekt zu decodieren und Störungen zu vermeiden. Diese Arbeit stellt eine neue Methode der künstlichen Intelligenz vor, die 5G‑ und künftigen Funksystemen hilft, Signaltypen automatisch und genauer zu identifizieren – selbst unter verrauschten, realen Bedingungen.

Warum die Erkennung von Signaltypen wichtig ist

Jede drahtlose Übertragung, von einem Telefonat bis zur Sensormessung, wird mit einem bestimmten „Modulations“‑Format verpackt – im Kern eine Art, wie Funkwellen geformt werden, um Bits zu tragen. Moderne 5G‑Systeme unterstützen eine Mischung aus fortgeschrittenen Waveforms wie OFDM, FBMC, UFMC, FOFDM und WOLA, die jeweils für unterschiedliche Anforderungen optimiert sind, etwa hohe Geschwindigkeit, geringe Interferenz oder bessere Spektrumnutzung. Darüber hinaus verwenden sie verschiedene Symbolalphabete, wie 16‑QAM und 64‑QAM, um mehr Daten in derselben Bandbreite unterzubringen. Das automatische Erkennen, welche Kombination verwendet wird – bekannt als Automatic Modulation Classification (AMC) – ist entscheidend für intelligente Empfänger in Anwendungen von alltäglichem Mobilfunk bis hin zu Verteidigungs‑ und Energieversorgungsnetzen. Fehler in diesem Schritt können sich durch die gesamte Kommunikationskette auswirken und zu Verbindungsabbrüchen, geringeren Datenraten oder schlechter Koordination zwischen Geräten führen.

Ein neuronales Netz zum Zuhören bringen

Die Autoren entwickeln ein neues AMC‑Framework, das auf einem leistungsfähigen Typ tiefen Lernens namens Deep Residual Network (DRN) basiert. Traditionelle neuronale Netze haben Probleme beim Training, wenn sie sehr tief werden, weil Informationen und Gradienten beim Durchlaufen vieler Schichten schwächer werden. Residual‑Netze adressieren dies durch Shortcut‑Pfade, die Signale Schichten umgehen lassen und das Lernen stabiler machen. Diese Arbeit geht einen Schritt weiter und nutzt ein „Residual‑of‑Residual“‑Design, bei dem mehrere Shortcut‑Ebenen gestapelt werden: innerhalb jedes Blocks, über Blockgruppen hinweg und vom Eingang bis zum Ausgang. Diese mehrstufige Struktur hilft dem Netz, Merkmale auf unterschiedlichen Tiefen wiederzuverwenden und zu verfeinern, wodurch es besser darin wird, subtile Muster in verrauschten Funksignalen zu erkennen, die Modulationen und Waveforms voneinander unterscheiden.

Die aussagekräftigsten Signalhinweise herausfiltern

Anstatt nur rohe Samples in das Netz zu geben, extrahiert das System zunächst eine reichhaltige Menge numerischer Beschreiber aus jedem empfangenen Signal. Dazu gehören Statistiken über Amplitudenschwankungen, die Energieverteilung über Frequenzen und höherordentliche Maße, die komplexere Form‑ und Phasenverhalten erfassen. Aus einem anfänglichen Pool von 33 solchen Merkmalen wenden die Autoren eine Suchstrategie namens Sequential Floating Forward Selection an, um eine kleinere Untermenge zu finden, die dennoch den Großteil der unterscheidenden Information trägt. Dieser Prozess reduziert das Merkmalsset auf nur 14 Elemente, senkt den Rechenaufwand und erhält gleichzeitig die informativsten „Fingerabdrücke“ der jeweiligen Modulations‑ und Waveform‑Typen.

Das Modell auf die Probe stellen

Zur Evaluation generieren die Forschenden einen großen simulierten Datensatz von 5G‑artigen Signalen mit einem spezialisierten Link‑Level‑Simulator. Der Datensatz umfasst zehn verschiedene Waveform‑/Modulations‑Paare, zwei Modulationstiefen (16‑QAM und 64‑QAM) und ein breites Spektrum an Signal‑zu‑Rausch‑Verhältnissen von sehr schlechtem bis zu sehr gutem Empfang. Sie modellieren zudem realistische Funkkanäle, einschließlich standardisierter Tapped‑Delay‑Line‑Profile und eines herausfordernden Vehicular‑A‑Szenarios, das schnelle Nutzerbewegungen mit starken Mehrwegreflexionen nachbildet. Das vorgeschlagene DRN mit mehrstufigen Residual‑of‑Residual‑Verbindungen wird mit einem einfacheren DRN und einem früheren Convolutional Neural Network verglichen. Über Metriken wie Präzision, Recall, F1‑Score und Gesamtgenauigkeit liegt die neue Methode durchweg vorn, besonders wenn Signale schwach sind oder der Kanal stark verzerrt ist.

Robuste Leistung in realistischen 5G‑Umgebungen

Die Leistungskurven zeigen, dass der neue Klassifikator sehr hohe Genauigkeit – rund 95 % richtige Entscheidungen – bei deutlich geringerer Signalqualität als die Basismethoden erreicht; er benötigt mehr als 3 dB weniger Signalstärke als das Standard‑DRN und über 7 dB weniger als das CNN. Er liefert zudem starke Ergebnisse über verschiedene 5G‑Kanalmodelle (TDL‑A, TDL‑B, TDL‑C) hinweg und in schnell wechselnden Fahrzeug‑Szenarien, in denen viele Systeme schwächeln. Diese Kombination aus Genauigkeit und Robustheit deutet darauf hin, dass sich die Methode gut auf unterschiedliche Einsatzszenarien verallgemeinern lässt, von dichten Indoor‑Zellen bis zu großen Outdoor‑Netzen.

Was das für drahtlose Alltagsnutzer bedeutet

Praktisch zeigt die Studie, dass sorgfältig entworfene Deep‑Learning‑Modelle künftige Funkgeräte erheblich besser darin machen können, die empfangenen Signale zu verstehen. Ein Empfänger mit einem solchen Klassifikator kann komplexe 5G‑Waveforms und Modulationsschemata auch in Gegenwart von Rauschen, Interferenzen und Bewegung zuverlässiger in Echtzeit identifizieren. Das führt zu stabileren Verbindungen, höheren Datenraten und effizienterer Spektrumnutzung für Anwendungen wie Smartphones, industrielle Automatisierung und intelligente Energienetze. Obwohl die aktuellen Ergebnisse auf Simulationen basieren, planen die Autoren, ihren Ansatz mit realen Funkmessungen zu validieren und noch fortschrittlichere neuronale Architekturen zu erforschen, um intelligenten Empfängern näherzukommen, die sich nahtlos an wechselnde Funkbedingungen anpassen.

Zitation: Jabeur, R., Alaerjan, A. & Chikha, H.B. Deep residual network enhanced with multilevel residual-of-residual for automatic classification of radio signals for 5G and beyond systems. Sci Rep 16, 7003 (2026). https://doi.org/10.1038/s41598-026-35306-x

Schlüsselwörter: 5G‑Modulation, Klassifikation drahtloser Signale, tiefe Residualnetzwerke, Funk‑Waveforms, intelligente Empfänger