Rete residua profonda potenziata con residuo-di-residuo multilivello per la classificazione automatica dei segnali radio nei sistemi 5G e oltre

Radio più intelligenti per un futuro di etere affollato

Man mano che telefoni, automobili e persino reti elettriche competono per la connettività wireless, l’etere diventa sempre più affollato e complesso. Per mantenere questi sistemi efficienti, i ricevitori devono riconoscere rapidamente che tipo di segnale stanno ascoltando in modo da decodificarlo correttamente ed evitare interferenze. Questo articolo presenta un nuovo metodo di intelligenza artificiale che aiuta i sistemi radio 5G — e futuri — a identificare automaticamente i tipi di segnale con maggiore precisione, anche in condizioni rumorose e realistiche.

Perché riconoscere i tipi di segnale è importante

Ogni trasmissione wireless, da una telefonata a una lettura sensoriale, è confezionata usando un particolare formato di “modulazione” — sostanzialmente un modo di modellare le onde radio per trasportare bit. I sistemi 5G moderni supportano una mescolanza di forme d’onda avanzate come OFDM, FBMC, UFMC, FOFDM e WOLA, ciascuna ottimizzata per esigenze diverse come alta velocità, bassa interferenza o migliore uso dello spettro. Inoltre impiegano alfabeti di simboli diversi, come 16‑QAM e 64‑QAM, per inserire più dati nella stessa larghezza di banda. Individuare automaticamente quale combinazione è in uso — noto come Automatic Modulation Classification (AMC) — è cruciale per ricevitori intelligenti in applicazioni che vanno dalla connettività mobile quotidiana alla difesa e al controllo delle reti per energie rinnovabili. Errori in questa fase possono propagarsi attraverso tutta la catena di comunicazione, causando collegamenti interrotti, velocità dati ridotte o scarsa coordinazione tra dispositivi.

Insegnare a una rete neurale ad ascoltare

Gli autori progettano un nuovo quadro AMC basato su un potente tipo di modello di deep learning chiamato Deep Residual Network (DRN). Le reti neurali tradizionali possono incontrare difficoltà nell’addestramento quando diventano molto profonde, perché le informazioni e i gradienti si attenuano attraversando molti strati. Le reti residue risolvono questo problema aggiungendo percorsi di scorciatoia che permettono ai segnali di bypassare gli strati, rendendo l’apprendimento più stabile. Questo lavoro spinge oltre il concetto impiegando un design “residuo‑di‑residuo”, in cui più livelli di scorciatoia sono impilati: all’interno di ogni blocco, attraverso gruppi di blocchi e dall’ingresso all’uscita. Questa struttura multilivello aiuta la rete a riusare e affinare le caratteristiche a diverse profondità, migliorando la capacità di individuare pattern sottili nei segnali radio rumorosi che distinguono una modulazione o una forma d’onda dall’altra.

Selezionare gli indizi di segnale più significativi

Invece di fornire soltanto i campioni grezzi alla rete, il sistema estrae prima un ricco insieme di descrittori numerici da ciascun segnale ricevuto. Questi includono statistiche legate a come varia l’ampiezza del segnale, a come la sua energia è distribuita in frequenza e misure di ordine superiore che catturano forme più complesse e comportamenti di fase. Da un pool iniziale di trentatré caratteristiche, gli autori applicano una strategia di ricerca chiamata Sequential Floating Forward Selection per trovare un sottoinsieme più piccolo che mantenga la maggior parte del potere discriminante. Questo processo riduce il set di feature a sole quattordici, tagliando il costo computazionale pur preservando le impronte più informative di ogni tipo di modulazione e forma d’onda.

Mettere il modello alla prova

Per valutare l’approccio, i ricercatori generano un ampio dataset simulato di segnali in stile 5G usando un simulatore a livello di collegamento specializzato. Il dataset copre dieci diverse coppie forma d’onda–modulazione, due profondità di modulazione (16‑QAM e 64‑QAM) e un’ampia gamma di rapporti segnale‑rumore, dalle condizioni di ricezione molto scadenti a quelle eccellenti. Modellano anche canali wireless realistici, inclusi profili standard a linea di ritardo a campione (tapped‑delay line) e uno scenario Vehicular‑A impegnativo che imita utenti in rapido movimento con forti riflessioni multipath. Il DRN proposto con connessioni residuo‑di‑residuo multilivello è confrontato con un DRN più semplice e con una precedente rete neurale convoluzionale. Su metriche come precisione, richiamo, F1‑score e accuratezza complessiva, il nuovo metodo risulta costantemente superiore, specialmente quando i segnali sono deboli o il canale è fortemente distorto.

Prestazioni robuste in ambienti 5G realistici

Le curve di performance mostrano che il nuovo classificatore raggiunge un’accuratezza molto elevata — circa il 95% di decisioni corrette — a qualità di segnale significativamente inferiore rispetto ai metodi di base, richiedendo oltre 3 dB in meno rispetto al DRN standard e più di 7 dB in meno rispetto alla CNN. Mantiene inoltre risultati solidi attraverso diversi modelli di canale 5G (TDL‑A, TDL‑B, TDL‑C) e in condizioni veicolari a rapido cambiamento, dove molti sistemi faticano. Questa combinazione di precisione e robustezza suggerisce che il metodo possa generalizzare bene a scenari di distribuzione diversi, dalle celle interne dense alle grandi reti esterne.

Cosa significa per gli utenti wireless di tutti i giorni

In termini pratici, lo studio dimostra che modelli di deep learning progettati con cura possono rendere le radio del futuro molto più abili a comprendere i segnali che ricevono. Un ricevitore dotato di questo tipo di classificatore può identificare con maggiore affidabilità, in tempo reale, forme d’onda e schemi di modulazione 5G complessi, anche in presenza di rumore, interferenze e movimento. Ciò si traduce in connessioni più stabili, velocità dati maggiori e un uso dello spettro più efficiente per applicazioni come smartphone, automazione industriale e reti elettriche intelligenti. Sebbene i risultati attuali siano basati su simulazioni, gli autori prevedono di convalidare l’approccio con misure radio reali ed esplorare architetture neurali ancora più avanzate, avvicinandosi sempre più a ricevitori intelligenti in grado di adattarsi senza soluzione di continuità a ciò che l’etere presenta.

Citazione: 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

Parole chiave: modulazione 5G, classificazione dei segnali wireless, reti residue profonde, forme d’onda radio, ricevitori intelligenti