Głęboka sieć resztkowa wzbogacona o wielopoziomowy residual‑of‑residual do automatycznej klasyfikacji sygnałów radiowych dla systemów 5G i późniejszych

Inteligentniejsze radio w erze zatłoczonych widm

W miarę jak nasze telefony, samochody, a nawet sieci energetyczne konkurują o łączność bezprzewodową, widmo radiowe staje się coraz bardziej zatłoczone i złożone. Aby sieci działały płynnie, odbiorniki muszą szybko rozpoznawać, jaki rodzaj sygnału słyszą, aby poprawnie go zdekodować i unikać zakłóceń. W artykule przedstawiono nową metodę sztucznej inteligencji, która pomaga systemom radiowym 5G — i przyszłym — automatycznie identyfikować typy sygnałów z większą dokładnością, nawet w zaszumionych, rzeczywistych warunkach.

Dlaczego rozpoznawanie typów sygnałów ma znaczenie

Każda transmisja bezprzewodowa, od rozmowy telefonicznej po odczyt czujnika, jest zapakowana za pomocą konkretnego formatu „modulacji” — w istocie sposobu kształtowania fal radiowych do przenoszenia bitów. Nowoczesne systemy 5G obsługują mieszankę zaawansowanych falopodobnych układów, takich jak OFDM, FBMC, UFMC, FOFDM i WOLA, z których każdy jest optymalizowany pod inne potrzeby, np. dużą prędkość, niskie zakłócenia czy efektywne wykorzystanie widma. Dodatkowo stosuje się różne alfabety symboli, takie jak 16‑QAM i 64‑QAM, aby upakować więcej danych w tym samym paśmie. Automatyczne ustalenie, która kombinacja jest używana — znane jako Automatic Modulation Classification (AMC) — jest kluczowe dla inteligentnych odbiorników w zastosowaniach od codziennego mobilnego internetu po systemy obronne i sterowanie sieciami energetycznymi opartymi na odnawialnych źródłach. Błędy na tym etapie mogą rozlać się po całym łańcuchu komunikacyjnym, powodując przerwy w połączeniach, wolniejszy przesył danych lub słabą koordynację między urządzeniami.

Nauka sieci neuronowej „słuchania”

Autorzy zaprojektowali nowy framework AMC oparty na potężnym typie modelu uczenia głębokiego zwanego Głęboką Siecią Resztkową (Deep Residual Network, DRN). Tradycyjne sieci neuronowe mogą napotykać trudności podczas treningu, gdy stają się bardzo głębokie, ponieważ informacje i gradienty zanikają przechodząc przez wiele warstw. Sieci resztkowe rozwiązują to, dodając ścieżki skrótowe, które pozwalają sygnałom omijać warstwy, co stabilizuje proces uczenia. Niniejsza praca idzie o krok dalej, stosując konstrukcję „residual‑of‑residual”, gdzie wiele poziomów skrótów jest ułożonych warstwowo: wewnątrz każdego bloku, pomiędzy grupami bloków oraz od wejścia do wyjścia. Ta wielopoziomowa struktura pomaga sieci ponownie wykorzystywać i udoskonalać cechy na różnych głębokościach, co poprawia wykrywanie subtelnych wzorców w zaszumionych sygnałach radiowych, które odróżniają jedną modulację i falopodobny format od drugiego.

Wybieranie najbardziej istotnych wskazówek sygnałowych

Zamiast podawać surowe próbki bezpośrednio do sieci, system najpierw wydobywa bogaty zestaw numerycznych deskryptorów z każdego odebranego sygnału. Obejmują one statystyki związane z tym, jak zmienia się amplituda sygnału, jak energia rozkłada się w dziedzinie częstotliwości oraz miary wyższych rzędów, które wychwytują bardziej złożone kształty i zachowania fazowe. Z początkowej puli trzydziestu trzech takich cech autorzy stosują strategię wyszukiwania nazwaną Sequential Floating Forward Selection, aby znaleźć mniejszy podzbiór zachowujący większość mocy dyskryminacyjnej. Proces ten redukuje zestaw cech do zaledwie czternastu, zmniejszając koszty obliczeniowe przy jednoczesnym zachowaniu najbardziej informacyjnych „odcisków palców” każdego typu modulacji i fali.

Testowanie modelu

Aby ocenić swoje podejście, badacze wygenerowali duży symulowany zbiór danych sygnałów w stylu 5G przy użyciu specjalistycznego symulatora łącza. Zestaw obejmuje dziesięć różnych par fala–modulacja, dwa poziomy złożoności modulacji (16‑QAM i 64‑QAM) oraz szeroki zakres stosunku sygnału do szumu — od bardzo słabego po doskonałe warunki odbioru. Modelują też realistyczne kanały bezprzewodowe, w tym standardowe profile typu tapped‑delay line oraz wymagający scenariusz Vehicular‑A, który naśladuje szybko poruszających się użytkowników z silnymi odbiciami wielodrogowymi. Proponowany DRN z wielopoziomowymi połączeniami residual‑of‑residual porównano z prostszym DRN i wcześniejszą konwolucyjną siecią neuronową. W metrykach takich jak precyzja, recall, F1‑score i ogólna dokładność nowa metoda konsekwentnie osiągała najlepsze wyniki, zwłaszcza gdy sygnały były słabe lub kanał był mocno zniekształcony.

Odporne działanie w realistycznych środowiskach 5G

Krzywe wydajności pokazują, że nowy klasyfikator osiąga bardzo wysoką dokładność — około 95% poprawnych decyzji — przy znacząco niższej jakości sygnału niż metody bazowe, potrzebując ponad 3 dB mniejszej mocy sygnału niż standardowy DRN i ponad 7 dB mniej niż CNN. Utrzymuje też silne wyniki w różnych modelach kanałów 5G (TDL‑A, TDL‑B, TDL‑C) oraz w szybko zmieniających się warunkach pojazdowych, gdzie wiele systemów ma problemy. To połączenie dokładności i odporności sugeruje, że metoda dobrze uogólnia się na różne scenariusze wdrożeniowe — od gęstych komórek wewnątrz budynków po rozległe sieci zewnętrzne.

Co to oznacza dla codziennych użytkowników sieci bezprzewodowych

W praktyce badanie pokazuje, że starannie zaprojektowane modele głębokiego uczenia mogą znacznie poprawić zdolność przyszłych radii do rozumienia odbieranych sygnałów. Odbiornik wyposażony w tego typu klasyfikator może bardziej niezawodnie identyfikować złożone fale 5G i schematy modulacji w locie, nawet w obecności szumu, zakłóceń i ruchu. Przekłada się to na stabilniejsze połączenia, wyższe prędkości transmisji i efektywniejsze wykorzystanie widma w zastosowaniach takich jak smartfony, automatyzacja przemysłowa czy inteligentne sieci energetyczne. Chociaż obecne wyniki opierają się na symulacjach, autorzy planują zweryfikować swoje podejście na rzeczywistych pomiarach radiowych oraz badać jeszcze bardziej zaawansowane architektury neuronowe, dążąc do inteligentnych odbiorników, które będą się płynnie adaptować do tego, co przyniesie widmo.

Cytowanie: 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

Słowa kluczowe: modulacja 5G, klasyfikacja sygnałów bezprzewodowych, głębokie sieci resztkowe, fala radiowa, inteligentne odbiorniki