マルチレベル residual‑of‑residual を取り入れた深い残差ネットワークによる 5G 以降システム向け無線信号の自動分類

混雑した電波環境に備えるより賢い無線機

携帯電話や自動車、さらには電力網までがワイヤレス接続を競う現代、電波スペクトルはますます混雑し複雑になっています。ネットワークを安定稼働させるには、受信機が聞いている信号の種類を素早く正しく認識し、正しく復号するとともに干渉を避ける必要があります。本論文は、ノイズや現実的な条件下でも信号種別をより高精度に自動識別できる新しい人工知能手法を提示し、5G 及びその先の無線システムに役立てることを示します。

信号種別の識別が重要な理由

電話やセンサーの送信に至るまで、あらゆる無線伝送は特定の「変調」フォーマットでパッケージ化されます。これはビットを運ぶために電波を成形する方法です。現代の 5G システムは OFDM、FBMC、UFMC、FOFDM、WOLA といった高度な波形を混在してサポートし、それぞれ高速伝送、低干渉、スペクトル効率などの異なる要求に最適化されています。さらに 16‑QAM や 64‑QAM のような異なるシンボルアルファベットを用い、同じ帯域幅により多くのデータを詰め込みます。どの波形と変調の組合せが使われているかを自動で見極めること（Automatic Modulation Classification：AMC）は、日常のモバイルブロードバンドから防衛や再生可能エネルギーの制御ネットワークに至るまで、スマート受信機にとって重要です。この段階での誤認識は通信チェーン全体に波及し、リンク切れ、データ速度低下、機器間の協調不良を引き起こしかねません。

ニューラルネットワークに「聞く」ことを教える

著者らは Deep Residual Network（DRN）と呼ばれる強力な深層学習モデルを核に据えた新しい AMC フレームワークを設計しました。従来のニューラルネットワークは層が深くなると情報や勾配が薄れることで学習が難しくなることがあります。残差ネットワークは層をバイパスするショートカット経路を追加することでこれに対処し、学習を安定化します。本研究はさらに一歩進め、ブロック内、ブロック群間、入力から出力へと多重のショートカットを積み重ねる「residual‑of‑residual」設計を採用します。このマルチレベル構造により、ネットワークは異なる深さで特徴を再利用・洗練でき、ノイズの多い無線信号の中に潜む微妙なパターンをより正確に見分けられるようになります。

最も識別力の高い信号手がかりの抽出

生のサンプルだけをネットワークに入力する代わりに、システムはまず受信信号から豊富な数値記述子のセットを抽出します。これには振幅の変動に関する統計量、周波数にわたるエネルギー分布、より複雑な形状や位相挙動を捉える高次の指標が含まれます。初期プールは 33 の特徴量から成り、著者らは Sequential Floating Forward Selection と呼ばれる探索戦略を適用して、判別力の大部分を保持しつつより小さなサブセットを見つけます。このプロセスにより特徴集合は 14 個にまで削減され、計算コストを下げつつ各変調・波形タイプの最も情報豊かな“指紋”を残します。

モデルの試験

提案手法を評価するため、研究者らはリンクレベルの専用シミュレータを用いて 5G 風の信号の大規模な合成データセットを生成します。データセットは 10 種類の波形–変調ペア、2 種類の変調深度（16‑QAM と 64‑QAM）、および極めて悪い受信状態から良好な受信状態まで幅広い信号対雑音比を網羅します。さらに標準的なタップ遅延線プロファイルや、高速移動ユーザーと強い多重経路反射を模した挑戦的な Vehicular‑A シナリオなど、現実的な無線チャネルもモデル化しています。マルチレベル residual‑of‑residual 接続を持つ提案 DRN は、より単純な DRN や従来の畳み込みニューラルネットワークと比較されます。Precision、recall、F1 スコア、全体精度といった指標で、新手法は一貫して優れた結果を示し、特に信号が弱い場合やチャネルが強く歪んでいる場合に際立って性能を発揮します。

現実的な 5G 環境での堅牢な性能

性能曲線は、新しい分類器が非常に高い精度（約 95% の正答率）に到達するにあたり、ベースライン手法よりもかなり低い信号品質で済むことを示しています。標準的な DRN よりも 3 dB 以上、CNN よりも 7 dB 超低い信号強度で同等の結果が得られます。また TDL‑A、TDL‑B、TDL‑C といった異なる 5G チャネルモデルや、変化の激しい車載環境でも強い結果を維持し、多くのシステムが苦戦する状況でも安定しています。この精度と耐性の組合せは、密集した屋内セルから広域の屋外ネットワークまで多様な配備シナリオにうまく一般化できることを示唆します。

日常のワイヤレス利用者にとっての意義

実用面では、本研究は慎重に設計された深層学習モデルが将来の無線機に、受信信号の理解能力を大きく向上させうることを示しています。この種の分類器を備えた受信機は、ノイズ、干渉、移動が存在する状況でも複雑な 5G 波形や変調方式をその場でより確実に識別できます。これは接続の安定性向上、データ速度の向上、スマートフォンや産業オートメーション、スマートエネルギー網といった用途でのスペクトル利用効率の改善につながります。現時点の結果はシミュレーションに基づくものですが、著者らは実際の無線測定での検証を進め、さらに高度なニューラルアーキテクチャの検討を行う予定であり、電波環境に柔軟に適応できるインテリジェント受信機に一歩近づくことが期待されます。

引用: 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

キーワード: 5G 変調, ワイヤレス信号分類, 深層残差ネットワーク, 無線波形, インテリジェント受信機