Réseau résiduel profond amélioré par un résidu-de-résidu multi-niveaux pour la classification automatique des signaux radio pour les systèmes 5G et au-delà

Des radios plus intelligentes pour un avenir d'espaces radio encombrés

Alors que nos téléphones, voitures et même réseaux électriques se disputent tous la connectivité sans fil, le spectre radio devient de plus en plus encombré et complexe. Pour maintenir ces réseaux opérationnels, les récepteurs doivent reconnaître rapidement le type de signal qu'ils reçoivent afin de le décoder correctement et d'éviter les interférences. Cet article présente une nouvelle méthode d'intelligence artificielle qui aide les systèmes radio 5G — et futurs — à identifier automatiquement les types de signaux avec plus de précision, même dans des conditions réelles bruyantes.

Pourquoi reconnaître les types de signaux est important

Chaque transmission sans fil, d'un appel téléphonique à une lecture de capteur, est encapsulée selon un format de « modulation » particulier — essentiellement une façon de façonner les ondes radio pour transmettre des bits. Les systèmes 5G modernes prennent en charge un mélange de formes d'onde avancées comme l'OFDM, le FBMC, l'UFMC, le FOFDM et le WOLA, chacune optimisée pour des besoins différents tels que la haute vitesse, la faible interférence ou une meilleure utilisation du spectre. De plus, ils utilisent différents alphabets de symboles, tels que 16‑QAM et 64‑QAM, pour compresser plus de données dans la même bande passante. Identifier automatiquement quelle combinaison est utilisée — connu sous le nom de classification automatique de modulation (AMC) — est crucial pour les récepteurs intelligents dans des applications allant du haut débit mobile quotidien à la défense et aux réseaux de contrôle d'énergies renouvelables. Des erreurs à cette étape peuvent se répercuter sur toute la chaîne de communication, provoquant des liens interrompus, des débits plus faibles ou une mauvaise coordination entre appareils.

Apprendre à un réseau neuronal à écouter

Les auteurs conçoivent un nouveau cadre AMC centré sur un puissant type de modèle d'apprentissage profond appelé réseau résiduel profond (Deep Residual Network, DRN). Les réseaux neuronaux traditionnels peuvent avoir du mal à s'entraîner lorsqu'ils deviennent très profonds, car l'information et les gradients s'affaiblissent en traversant de nombreuses couches. Les réseaux résiduels résolvent ce problème en ajoutant des chemins de raccourci qui permettent aux signaux de contourner des couches, rendant l'apprentissage plus stable. Ce travail va plus loin en utilisant un design « résidu-de-résidu », où plusieurs niveaux de raccourcis sont empilés : à l'intérieur de chaque bloc, entre des groupes de blocs, et de l'entrée vers la sortie. Cette structure multiniveaux aide le réseau à réutiliser et affiner des caractéristiques à différentes profondeurs, le rendant meilleur pour repérer des motifs subtils dans des signaux radio bruyants qui distinguent une modulation ou une forme d'onde d'une autre.

Extraire les indices de signal les plus révélateurs

Plutôt que d'alimenter uniquement des échantillons bruts dans le réseau, le système extrait d'abord un ensemble riche de descripteurs numériques pour chaque signal reçu. Ceux-ci incluent des statistiques liées aux fluctuations d'amplitude du signal, à la répartition de son énergie en fréquence, et des mesures d'ordre supérieur qui capturent des formes et des comportements de phase plus complexes. À partir d'un pool initial de trente-trois caractéristiques, les auteurs appliquent une stratégie de recherche appelée Sequential Floating Forward Selection pour trouver un sous-ensemble plus petit qui conserve la majeure partie du pouvoir discriminant. Ce processus réduit l'ensemble de caractéristiques à seulement quatorze, diminuant le coût de calcul tout en conservant les « empreintes » les plus informatives de chaque type de modulation et de forme d'onde.

Mettre le modèle à l'épreuve

Pour évaluer leur approche, les chercheurs génèrent un grand jeu de données simulées de signaux de type 5G en utilisant un simulateur de liaison spécialisé. Le jeu de données couvre dix paires forme d'onde–modulation différentes, deux profondeurs de modulation (16‑QAM et 64‑QAM) et une large plage de rapports signal sur bruit, depuis des conditions de réception très mauvaises jusqu'à excellentes. Ils modélisent également des canaux sans fil réalistes, y compris des profils standard à ligne à retards tapés et un scénario Vehicular‑A difficile qui imite des utilisateurs en mouvement rapide avec de fortes réflexions multipath. Le DRN proposé avec connexions résidu-de-résidu multiniveaux est comparé à un DRN plus simple et à un réseau convolutionnel antérieur. Selon des métriques telles que la précision, le rappel, le score F1 et la précision globale, la nouvelle méthode arrive systématiquement en tête, surtout lorsque les signaux sont faibles ou que le canal est fortement dégradé.

Performance robuste dans des environnements 5G réalistes

Les courbes de performance montrent que le nouveau classifieur atteint une très grande précision — environ 95 % de décisions correctes — à une qualité de signal significativement plus faible que les méthodes de référence, nécessitant plus de 3 dB de moins que le DRN standard et plus de 7 dB de moins que le CNN. Il conserve également de bons résultats à travers différents modèles de canaux 5G (TDL‑A, TDL‑B, TDL‑C) et dans des conditions véhiculaires à évolution rapide, où de nombreux systèmes peinent. Cette combinaison de précision et de résilience suggère que la méthode peut bien se généraliser à divers scénarios de déploiement, des cellules intérieures denses aux grands réseaux extérieurs.

Ce que cela signifie pour les utilisateurs sans fil quotidiens

Concrètement, l'étude montre que des modèles d'apprentissage profond soigneusement conçus peuvent rendre les radios futures bien meilleures pour comprendre les signaux qu'elles reçoivent. Un récepteur équipé de ce type de classifieur peut identifier plus fiablement les formes d'onde 5G complexes et les schémas de modulation à la volée, même au milieu du bruit, des interférences et du mouvement. Cela se traduit par des connexions plus stables, des débits plus élevés et une utilisation du spectre plus efficace pour des applications comme les smartphones, l'automatisation industrielle et les réseaux énergétiques intelligents. Bien que les résultats actuels reposent sur des simulations, les auteurs prévoient de valider leur approche avec des mesures radio réelles et d'explorer des architectures neuronales encore plus avancées, se rapprochant d'un récepteur intelligent capable de s'adapter sans couture à tout ce que le spectre lui réserve.

Citation: 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

Mots-clés: modulation 5G, classification des signaux sans fil, réseaux résiduels profonds, formes d'onde radio, récepteurs intelligents