Rede residual profunda aprimorada com residual‑de‑residual multinível para classificação automática de sinais de rádio para sistemas 5G e além

Rádios mais inteligentes para um futuro de espectro congestionado

À medida que nossos telefones, carros e até redes elétricas competem por conectividade sem fio, o espectro fica cada vez mais lotado e complexo. Para manter essas redes funcionando bem, os receptores precisam reconhecer rapidamente que tipo de sinal estão recebendo para decodificá‑lo corretamente e evitar interferência. Este artigo apresenta um novo método de inteligência artificial que ajuda sistemas de rádio 5G — e os futuros — a identificar automaticamente os tipos de sinal com maior precisão, mesmo em condições ruidosas do mundo real.

Por que reconhecer tipos de sinal importa

Cada transmissão sem fio, de uma chamada telefônica a uma leitura de sensor, é empacotada usando um formato de “modulação” específico — essencialmente uma forma de moldar as ondas de rádio para transportar bits. Sistemas 5G modernos suportam uma mistura de formas de onda avançadas, como OFDM, FBMC, UFMC, FOFDM e WOLA, cada uma otimizada para necessidades diferentes, como alta velocidade, baixa interferência ou melhor uso do espectro. Além disso, usam alfabetos de símbolos diferentes, como 16‑QAM e 64‑QAM, para espremer mais dados na mesma largura de banda. Identificar automaticamente qual combinação está sendo usada — conhecido como Classificação Automática de Modulação (AMC) — é crucial para receptores inteligentes em aplicações que vão desde a banda larga móvel cotidiana até defesa e redes de controle de energia renovável. Erros nessa etapa podem se propagar por toda a cadeia de comunicação, causando perdas de conexão, menor taxa de dados ou má coordenação entre dispositivos.

Ensinando uma rede neural a escutar

Os autores projetam uma nova estrutura de AMC centrada em um tipo poderoso de modelo de aprendizado profundo chamado Rede Residual Profunda (DRN). Redes neurais tradicionais podem ter dificuldade para treinar quando se tornam muito profundas, porque a informação e os gradientes se atenuam ao percorrer muitas camadas. Redes residuais resolvem isso ao adicionar caminhos de atalho que permitem que sinais contornem camadas, tornando o aprendizado mais estável. Este trabalho vai além ao usar um desenho de “residual‑de‑residual”, em que múltiplos níveis de atalho são empilhados: dentro de cada bloco, entre grupos de blocos e da entrada à saída. Essa estrutura multinível ajuda a rede a reutilizar e refinar características em diferentes profundidades, tornando‑a melhor em detectar padrões sutis em sinais de rádio ruidosos que distinguem uma modulação e forma de onda de outra.

Selecionando os indícios de sinal mais reveladores

Em vez de alimentar apenas amostras brutas na rede, o sistema primeiro extrai um conjunto rico de descritores numéricos de cada sinal recebido. Esses incluem estatísticas relacionadas a como a amplitude do sinal flutua, como sua energia é distribuída pelas frequências e medidas de ordem superior que capturam formas e comportamentos de fase mais intrincados. A partir de um conjunto inicial de trinta e três características, os autores aplicam uma estratégia de busca chamada Seleção Sequencial Flutuante para a Frente (Sequential Floating Forward Selection) para encontrar um subconjunto menor que ainda carrega a maior parte do poder discriminatório. Esse processo reduz o conjunto de características para apenas quatorze, cortando o custo computacional enquanto retém as “impressões digitais” mais informativas de cada tipo de modulação e forma de onda.

Testando o modelo

Para avaliar sua abordagem, os pesquisadores geram um grande conjunto de dados simulado de sinais no estilo 5G usando um simulador de enlace especializado. O conjunto cobre dez pares diferentes forma de onda–modulação, duas profundidades de modulação (16‑QAM e 64‑QAM) e uma ampla faixa de razões sinal‑ruído, desde condições de recepção muito ruins até excelentes. Eles também modelam canais sem fio realistas, incluindo perfis padrão de linha de atraso com taps e um cenário Veicular‑A desafiador que imita usuários em movimento rápido com fortes reflexões por multipercurso. O DRN proposto com conexões residual‑de‑residual multinível é comparado a um DRN mais simples e a uma rede neural convolucional anterior. Em métricas como precisão, recall, F1‑score e acurácia geral, o novo método consistentemente se destaca, especialmente quando os sinais são fracos ou o canal está fortemente distorcido.

Desempenho robusto em ambientes 5G realistas

As curvas de desempenho mostram que o novo classificador atinge acurácia muito alta — cerca de 95% de decisões corretas — em qualidade de sinal significativamente menor do que os métodos de referência, necessitando de mais de 3 dB a menos de intensidade de sinal que o DRN padrão e mais de 7 dB a menos que a CNN. Também mantém resultados fortes em diferentes modelos de canal 5G (TDL‑A, TDL‑B, TDL‑C) e em condições veiculares de rápida variação, onde muitos sistemas enfrentam dificuldades. Essa combinação de precisão e resiliência sugere que o método pode generalizar bem para cenários de implantação diversos, desde células internas densas até grandes redes externas.

O que isso significa para os usuários sem fio do dia a dia

Em termos práticos, o estudo mostra que modelos de aprendizado profundo cuidadosamente projetados podem tornar rádios futuros muito melhores em compreender os sinais que recebem. Um receptor equipado com esse tipo de classificador pode identificar com mais confiabilidade formas de onda 5G complexas e esquemas de modulação em tempo real, mesmo em meio a ruído, interferência e movimento. Isso se traduz em conexões mais estáveis, taxas de dados maiores e uso mais eficiente do espectro para aplicações como smartphones, automação industrial e redes de energia inteligente. Embora os resultados atuais sejam baseados em simulações, os autores planejam validar sua abordagem com medições reais de rádio e explorar arquiteturas neurais ainda mais avançadas, aproximando‑se de receptores inteligentes que possam se adaptar de forma transparente ao que quer que o espectro apresente.

Citação: 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

Palavras-chave: modulação 5G, classificação de sinais sem fio, redes residuais profundas, formas de onda de rádio, receptores inteligentes