Глубокая остаточная сеть с многоуровневым residual-of-residual для автоматической классификации радиосигналов для 5G и систем будущего

Более умные радиоустройства для эпохи перегруженного эфира

По мере того как наши телефоны, автомобили и даже энергосети конкурируют за беспроводное подключение, эфир становится всё более загруженным и сложным. Чтобы сети работали надёжно, приёмники должны быстро распознавать, какой тип сигнала они получают, чтобы правильно декодировать его и избегать помех. В этой статье предложен новый метод искусственного интеллекта, который помогает радиосистемам 5G — и системам будущего — автоматически точнее определять типы сигналов даже в зашумлённых, реальных условиях.

Зачем важно распознавание типов сигналов

Любая беспроводная передача, от телефонного звонка до показания датчика, оформляется в определённой «модуляции» — по сути способе формирования радиоволн для передачи битов. Современные 5G‑системы поддерживают набор продвинутых форм волны, таких как OFDM, FBMC, UFMC, FOFDM и WOLA, каждая из которых оптимизирована под разные задачи: высокая скорость, минимальные помехи или эффективное использование спектра. Кроме того, используются различные алфавиты символов, например 16‑QAM и 64‑QAM, чтобы уместить больше данных в той же полосе. Автоматическое определение используемой комбинации — известное как Automatic Modulation Classification (AMC) — критично для интеллектуальных приёмников в приложениях от повседневного мобильного широкополосного доступа до обороны и систем управления возобновляемой энергией. Ошибки на этом этапе могут повлиять на всю цепочку связи, вызывая разрывы соединений, снижение скорости передачи или плохую координацию между устройствами.

Обучение нейросети «слушать»

Авторы предлагают новую AMC‑архитектуру на базе мощного типа модели глубокого обучения — глубокой остаточной сети (Deep Residual Network, DRN). Традиционные нейросети испытывают сложности при обучении по мере увеличения глубины, потому что информация и градиенты затухают при прохождении через множество слоёв. Остаточные сети решают это добавлением коротких обходных путей, позволяющих сигналам миновать слои и делая обучение более стабильным. В этой работе сделан ещё один шаг: используется дизайн «residual‑of‑residual», где несколько уровней обходных путей наслаиваются друг на друга — внутри блока, между группами блоков и от входа к выходу. Такая многоуровневая структура помогает сети повторно использовать и уточнять признаки на разных глубинах, что улучшает распознавание тонких шаблонов в зашумлённых радиосигналах, отличающих одну модуляцию и форму волны от другой.

Выделение наиболее информативных подсказок в сигнале

Вместо того чтобы подавать в сеть только необработанные выборки, система сначала извлекает богатый набор числовых дескрипторов из каждого принятого сигнала. Они включают статистики, связанные с флуктуациями амплитуды, распределением энергии по частотам и показатели более высокого порядка, отражающие сложные формы и фазовое поведение. Из начального пула из тридцати трёх таких признаков авторы применяют стратегию поиска, называемую Sequential Floating Forward Selection, чтобы найти меньший поднабор, сохраняющий большую часть дискриминационной силы. Этот процесс сокращает набор признаков до четырнадцати, уменьшая вычислительные затраты и сохраняя самые информативные «отпечатки» каждой модуляции и формы волны.

Тестирование модели

Для оценки подхода исследователи генерируют большой симулированный датасет сигналов в стиле 5G с помощью специализированного симулятора на уровне канала передачи. Набор данных охватывает десять различных пар «форма волны — модуляция», две глубины модуляции (16‑QAM и 64‑QAM) и широкий диапазон отношений сигнал/шум — от очень плохих до отличных условий приёма. Также моделируются реалистичные беспроводные каналы, включая стандартные профили с импульсно‑запаздывающей линией и сложный сценарий Vehicular‑A, имитирующий быстро движущихся пользователей с сильными многолучевыми отражениями. Предложенная DRN с многоуровневыми residual‑of‑residual соединениями сравнивается с более простой DRN и ранней свёрточной нейросетью. По таким метрикам, как precision, recall, F1‑score и общая точность, новый метод стабильно показывает лучшие результаты, особенно при слабых сигналах или серьёзных искажениях канала.

Устойчивое качество в реалистичных 5G‑условиях

Кривые производительности показывают, что новый классификатор достигает очень высокой точности — порядка 95% корректных решений — при значительно более низком качестве сигнала по сравнению с базовыми методами, требуя более чем на 3 дБ меньшей мощности сигнала, чем стандартная DRN, и более чем на 7 дБ меньше, чем CNN. Он также сохраняет хорошие результаты для разных 5G‑моделей канала (TDL‑A, TDL‑B, TDL‑C) и в быстро меняющихся вehicular‑условиях, где многие системы испытывают трудности. Такое сочетание точности и устойчивости указывает на то, что метод может хорошо обобщаться для различных сценариев развертывания — от плотных внутренних ячеек до больших наружных сетей.

Что это означает для повседневных пользователей беспроводных сетей

На практическом уровне исследование демонстрирует, что грамотно спроектированные модели глубокого обучения могут заметно улучшить способность будущих радиоустройств понимать принимаемые сигналы. Приёмник, оснащённый таким классификатором, сможет надёжнее определять сложные 5G‑формы волны и схемы модуляции в реальном времени, даже в условиях шума, помех и движения. Это переводится в более стабильные соединения, более высокие скорости передачи данных и более эффективное использование спектра для приложений вроде смартфонов, промышленной автоматизации и интеллектуальных энергосетей. Хотя текущие результаты основаны на симуляциях, авторы планируют валидацию на реальных радиопомерах и изучение ещё более продвинутых нейронных архитектур, чтобы приблизиться к интеллектуальным приёмникам, которые смогут бесшовно адаптироваться к любым условиям эфира.

Цитирование: 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

Ключевые слова: модуляция 5G, классификация беспроводных сигналов, глубокие остаточные сети, радиоволновые формы, интеллектуальные приёмники