Новый алгоритм автоматического распознавания модуляции для OFDM‑сигналов на основе FAFT

Зачем беспроводным сигналам «острее ухо»

Будущие сети 5G и 6G будут обслуживать миллиарды телефонов, датчиков, автомобилей и устройств, делящих одно и то же загруженное радиоэфирное пространство. Чтобы всё работало плавно и безопасно, базовым станциям нужно быстро определять, какой тип радиосигнала они принимают, даже если сигнал скрыт в шуме или искажается зданиями и быстро движущимися объектами. В этой статье предлагается новый подход, позволяющий дать приёмникам гораздо более «острое ухо» для таких сигналов при гораздо меньших вычислительных затратах по сравнению со многими современными методами.

Как радиосистемы различают сигналы

Каждая беспроводная передача кодирует информацию изменением определённых свойств радиоволны, таких как амплитуда или фаза. Эти разные способы кодирования называют типами модуляции. Их автоматическое распознавание важно для интеллектуального совместного использования спектра, защиты от электронного воздействия и обеспечения безопасных соединений в Интернете вещей. Традиционные методы опираются либо на тщательно выведённые формулы из теории связи, либо на большие нейронные сети, которые извлекают закономерности прямо из сырых данных. Первая группа может испытывать трудности в шумных реальных каналах, тогда как вторая часто требует мощного оборудования и длительной обработки, что затруднительно для компактных базовых станций.

Новый короткий путь, настроенный на современные сигналы

Авторы сосредотачиваются на типе сигналов, наиболее распространённых в 5G и 6G: ортогональном частотном мультиплексировании, или OFDM. OFDM размещает информацию на множестве близко расположенных по частоте тонов, формируя характерный частотный рисунок. Вместо того чтобы рассматривать эти сигналы как произвольную волну, предложенный метод, названный Fourier Adaptive Filter with Attention (FAFT), встроит это априорное знание прямо в сеть. FAFT разбивает задачу на два согласованных вида: частотный, который смотрит на распределение энергии по тонам, и временной, который анализирует изменения сигнала из мгновения в мгновение.

Выделение частотных паттернов

В частотном представлении FAFT сначала использует знакомое быстрое преобразование Фурье, чтобы преобразовать поступающие I/Q‑сэмплы в спектр. Затем применяет обучаемый этап усиления, действующий как интеллектуальный эквалайзер: он аккуратно подавляет хаотичные, шумовые колебания и усиливает устойчивые структуры, связанные с определёнными форматами модуляции. После этого компактный банк цифровых фильтров учится, какие группы тонов стоит подчёркивать или подавлять. Простое математическое правило отталкивает эти фильтры от тривиального или чрезмерно «колючего» поведения, поощряя широкие, осмысленные спектральные формы с достаточной детализацией для различения похожих модуляций. Это даёт сети чистый, «OFDM‑осведомлённый» отпечаток каждого сигнала без использования глубокой башни универсальных слоёв.

Улавливание временных подсказок и объединение представлений

Одновременно лёгкая временная ветвь просматривает сырой сигнал с помощью неглубоких одномерных свёрток, фиксируя краткосрочные структуры, такие как переходы символов и кратковременные искажения, которые могут плохо проявляться в спектре. Выходы частотной и временной ветвей затем сшиваются и передаются через механизм внимания, который учится оценивать значимость каждого типа признаков в разных условиях канала. В шумных ситуациях система может больше опираться на очищенные спектральные паттерны; в других — на временные подсказки. Наконец, небольшой классификатор преобразует это объединённое представление в решение о типе модуляции.

Проверка метода на практике

Чтобы убедиться, что FAFT полезен не только в контролируемых симуляциях, авторы испытали его на двух известных публичных наборах данных и на новой коллекции реальных OFDM‑сигналов, снятых с радиотехники и с моделированием стандартизированного автомобильного канала. По всем этим бенчмаркам FAFT сопоставим или превосходит несколько сильных конкурентов из области глубокого обучения, включая остаточные сети, гибридные сверточно‑рекуррентные модели и архитектуры на базе Transformer. Он делает это при примерно одной десятой или меньшем количестве параметров по сравнению с ними и с сопоставимыми или меньшими арифметическими затратами. Наибольший выигрыш наблюдается при низких отношениях сигнал/шум, где модуль спектрального усиления помогает модели выделять основную модуляцию даже при сильных помехах и многолучевых эхо.

Что это значит для повседневных сетей

Проще говоря, исследование показывает, что встроив особенности современных OFDM‑волновых форм непосредственно в нейронную сеть, можно получить более умные и экономные приёмники. Комбинируя частотно‑ориентированный адаптивный банк фильтров, простую временную ветвь и стадию слияния на основе внимания, FAFT обеспечивает точное распознавание модуляции при компактном размере модели, пригодном для развертывания в реальных базовых станциях или периферийных радиоустройствах. По мере усложнения систем 5G и 6G такие специализированные, ресурсно‑эффективные конструкции помогут сетям в реальном времени анализировать и управлять спектром, повышая надёжность и безопасность без необходимости в массовых аппаратных обновлениях.

Цитирование: Li, Y., Tang, X., Wang, L. et al. A novel automatic modulation recognition algorithm for OFDM signals based on FAFT. Sci Rep 16, 9614 (2026). https://doi.org/10.1038/s41598-025-33752-7

Ключевые слова: автоматическое распознавание модуляции, OFDM, 5G 6G, глубокое обучение, беспроводная связь