Red residual profunda mejorada con residual-de-residual multinivel para la clasificación automática de señales de radio en sistemas 5G y posteriores

Radios más inteligentes para un futuro de espectro saturado

A medida que nuestros teléfonos, coches e incluso redes eléctricas compiten por la conectividad inalámbrica, las ondas de radio se vuelven cada vez más concurridas y complejas. Para mantener estos sistemas funcionando con fluidez, los receptores deben reconocer rápidamente qué tipo de señal están recibiendo para poder decodificarla correctamente y evitar interferencias. Este artículo presenta un nuevo método de inteligencia artificial que ayuda a los sistemas de radio 5G —y futuros— a identificar automáticamente los tipos de señal con mayor precisión, incluso en condiciones ruidosas y del mundo real.

Por qué importa reconocer los tipos de señal

Cada transmisión inalámbrica, desde una llamada telefónica hasta la lectura de un sensor, se empaqueta usando un formato de “modulación” particular: esencialmente una manera de moldear las ondas de radio para transportar bits. Los sistemas 5G modernos soportan una mezcla de formas de onda avanzadas como OFDM, FBMC, UFMC, FOFDM y WOLA, cada una optimizada para distintas necesidades como alta velocidad, baja interferencia o mejor aprovechamiento del espectro. Además, emplean alfabetos de símbolos distintos, como 16‑QAM y 64‑QAM, para exprimir más datos en el mismo ancho de banda. Determinar automáticamente qué combinación se está usando —conocido como Clasificación Automática de Modulación (AMC)— es crucial para receptores inteligentes en aplicaciones que van desde la banda ancha móvil cotidiana hasta redes de defensa y control de energías renovables. Errores en esta etapa pueden propagarse por toda la cadena de comunicación, provocando enlaces caídos, menor velocidad de datos o mala coordinación entre dispositivos.

Enseñar a una red neuronal a escuchar

Los autores diseñan un nuevo marco AMC centrado en un potente tipo de modelo de aprendizaje profundo llamado Red Residual Profunda (DRN). Las redes neuronales tradicionales pueden tener dificultades para entrenarse cuando se vuelven muy profundas, porque la información y los gradientes se atenúan al atravesar muchas capas. Las redes residuales abordan esto añadiendo rutas directas que permiten a las señales evitar capas, haciendo el aprendizaje más estable. Este trabajo va un paso más allá usando un diseño de “residual‑de‑residual”, donde se apilan múltiples niveles de atajos: dentro de cada bloque, a través de grupos de bloques y desde la entrada hasta la salida. Esta estructura multinivel ayuda a la red a reutilizar y refinar características a distintas profundidades, mejorando su capacidad para detectar patrones sutiles en señales de radio ruidosas que distinguen una modulación y forma de onda de otra.

Seleccionando las pistas de señal más reveladoras

En lugar de alimentar solo muestras crudas a la red, el sistema extrae primero un conjunto rico de descriptores numéricos de cada señal recibida. Estos incluyen estadísticas relacionadas con la fluctuación de la amplitud, la distribución de la energía en las frecuencias y medidas de orden superior que capturan formas más intrincadas y comportamientos de fase. A partir de un conjunto inicial de treinta y tres características, los autores aplican una estrategia de búsqueda denominada Selección Secuencial Flotante Hacia Adelante para encontrar un subconjunto más pequeño que aún conserve la mayor parte del poder discriminante. Este proceso reduce el conjunto de características a solo catorce, recortando el coste computacional al tiempo que mantiene las “huellas” más informativas de cada tipo de modulación y forma de onda.

Poner el modelo a prueba

Para evaluar su enfoque, los investigadores generan un gran conjunto de datos simulado de señales estilo 5G usando un simulador de enlace especializado. El conjunto abarca diez pares distintos de forma de onda–modulación, dos profundidades de modulación (16‑QAM y 64‑QAM) y una amplia gama de razones señal‑a‑ruido desde condiciones de recepción muy pobres hasta excelentes. También modelan canales inalámbricos realistas, incluidos perfiles estándar de línea de retardo con varios eco‑tramos y un escenario Vehicular‑A desafiante que imita usuarios en movimiento rápido con fuertes reflexiones de multipath. La DRN propuesta con conexiones residual‑de‑residual multinivel se compara con una DRN más simple y con una red neuronal convolucional previa. Según métricas como precisión, recall, puntuación F1 y exactitud global, el nuevo método sale consistentemente por delante, especialmente cuando las señales son débiles o el canal está fuertemente distorsionado.

Rendimiento robusto en entornos 5G realistas

Las curvas de rendimiento muestran que el nuevo clasificador alcanza una precisión muy alta —alrededor del 95% de decisiones correctas— con calidad de señal significativamente menor que los métodos de referencia, necesitando más de 3 dB menos potencia de señal que la DRN estándar y más de 7 dB menos que la CNN. También mantiene resultados sólidos a través de diferentes modelos de canal 5G (TDL‑A, TDL‑B, TDL‑C) y en condiciones vehiculares de cambio rápido, donde muchos sistemas tienen dificultades. Esta combinación de precisión y resistencia sugiere que el método puede generalizar bien a diversos escenarios de despliegue, desde celdas interiores densas hasta grandes redes exteriores.

Qué significa esto para los usuarios inalámbricos cotidianos

En términos prácticos, el estudio muestra que modelos de aprendizaje profundo diseñados con cuidado pueden hacer que las radios futuras entiendan mucho mejor las señales que reciben. Un receptor equipado con este tipo de clasificador puede identificar de forma más fiable formas de onda y esquemas de modulación 5G complejos en tiempo real, incluso amid ruido, interferencias y movimiento. Eso se traduce en conexiones más estables, mayores velocidades de datos y un uso del espectro más eficiente para aplicaciones como teléfonos inteligentes, automatización industrial y redes eléctricas inteligentes. Aunque los resultados actuales se basan en simulaciones, los autores planean validar su enfoque con mediciones reales de radio y explorar arquitecturas neuronales aún más avanzadas, acercándose a receptores inteligentes que puedan adaptarse sin problemas a lo que el espectro les depare.

Cita: 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

Palabras clave: modulación 5G, clasificación de señales inalámbricas, redes residuales profundas, formas de onda de radio, receptores inteligentes