En ny automatisk moduleringsigenkänningsalgoritm för OFDM-signaler baserad på FAFT

Varför trådlösa signaler behöver ett skarpare öra

Framtida 5G- och 6G-nätverk kommer att hantera miljarder telefoner, sensorer, bilar och prylar som delar samma trånga radioutsändningsband. För att allt ska fungera smidigt och säkert måste basstationer snabbt känna igen vilken typ av radiosignal de hör, även när signalen är begravd i brus eller förvrängd av byggnader och snabbrörliga fordon. Denna artikel introducerar ett nytt sätt att ge trådlösa mottagare ett mycket skarpare "öra" för dessa signaler samtidigt som det använder avsevärt mindre beräkningskraft än många nuvarande tekniker.

Hur radiosystem skiljer signaler åt

Varje trådlös överföring kodar information genom att ändra vissa egenskaper hos en radiovåg, såsom dess amplitud eller fas. Dessa olika sätt att koda kallas modulationsformat. Automatisk igenkänning av dem är avgörande för intelligent spektrumdelning, skydd mot elektronisk krigföring och säkra länkar i sakernas internet. Traditionella igenkänningsmetoder bygger antingen på noggrant framtagna formler från kommunikationsteori eller på stora neurala nätverk som lär sig mönster direkt från rådata. Den första gruppen kan ha svårt i röriga verkliga kanaler, medan den andra ofta kräver tung hårdvara och långa bearbetningstider, något som är svårt att ha råd med i kompakta basstationer.

En ny genväg anpassad till moderna signaler

Författarna fokuserar på den typ av signaler som är vanligast i 5G och 6G: ortogonal frekvensdelad multiplexering, eller OFDM. OFDM packar information på många tätt placerade toner över spektrumet och skapar ett mycket karaktäristiskt frekvensmönster. Istället för att behandla dessa signaler som vilken annan vågform som helst, inför den föreslagna metoden, kallad Fourier Adaptive Filter with Attention (FAFT), denna förkunskap direkt i nätverket. FAFT delar upp problemet i två samordnade vyer: en frekvensvy som tittar direkt på hur energi fördelas över tonerna, och en tidsvy som undersöker hur signalen förändras från ögonblick till ögonblick.

Låta frekvensmönster framträda

I frekvensvyn använder FAFT först den välkända snabba Fouriertransformen för att omvandla de inkommande in‑phase och quadrature‑proverna till ett spektrum. Därefter appliceras ett inlärningsbart förstärkningssteg som fungerar som en smart equalizer, som varsamt dämpar oregelbundna, brusdominerade vågor och stärker stabila mönster kopplade till specifika modulationsformat. Efter det lär sig en kompakt bank av digitala filter vilka grupper av toner som ska framhävas eller undertryckas. En enkel matematisk regel styr dessa filter bort från trivialt eller alltför spetsigt beteende, och uppmuntrar breda, meningsfulla spektrala former med lagom fin detalj för att särskilja liknande modulationer. Detta ger nätverket ett rent, OFDM‑medvetet fingeravtryck av varje signal utan att använda ett djupt torn av generiska lager.

Fånga tidsledtrådar och förena båda vyerna

Samtidigt skannar en lättvikts tidsdomänsgren den råa signalen med grunda endimensionella konvolutioner och fångar kortdistansstrukturer såsom symbolövergångar och kortvariga förvrängningar som kanske inte syns tydligt i spektrumet. Utgångarna från frekvens‑ och tidsgrenarna sys sedan ihop och skickas genom en attention‑mekanism som lär sig hur mycket vikt varje typ av funktion ska få under olika kanalvillkor. I brusiga miljöer kan systemet luta sig mer mot de rengjorda spektralmönstren; i andra fall kan det förlita sig mer på tidsledtrådarna. Slutligen omvandlar en liten klassificerare denna sammanslagna representation till ett beslut om vilket modulationsformat som förekommer.

Sätta metoden på prov

För att kontrollera att FAFT är användbart utanför noggrant kontrollerade simulationer testar författarna den på två välkända publika datamängder och på en ny samling verkliga OFDM‑signaler inspelade med radiohårdvara och en standardiserad fordonskanalsmodell. Över dessa riktmärken matchar eller slår FAFT flera starka djuplärandekonkurrenter, inklusive residualnätverk, hybridmodeller med konvolution och rekurrenta komponenter samt design baserade på Transformer. Det gör det med ungefär en tiondel eller mindre av deras antal parametrar, och med liknande eller lägre aritmetisk kostnad. Vinsterna är mest påtagliga vid låga signal‑till‑brus‑förhållanden, där spektralförstärkningsmodulen hjälper modellen att urskilja den underliggande moduleringen även när störningar och multipath‑ekon är kraftiga.

Vad detta betyder för vardagliga nätverk

Enkelt uttryckt visar studien att genom att bygga in egenskaperna hos moderna OFDM‑vågor direkt i ett neuralt nätverk kan man få smartare och mer slimmade mottagare. Genom att kombinera en frekvensfokuserad adaptiv filterbank, en enkel tidsdomänsgren och en attention‑baserad fusionsfas erbjuder FAFT noggrann moduleringsigenkänning samtidigt som modellen hålls tillräckligt liten för att kunna implementeras i verkliga basstationer eller edge‑radios. När 5G‑ och 6G‑systemen fortsätter att bli mer komplexa kan sådana skräddarsydda, resurseffektiva konstruktioner hjälpa nätverk att känna av och hantera sitt spektrum i realtid, förbättra tillförlitlighet och säkerhet utan att kräva massiv ny hårdvara.

Citering: 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

Nyckelord: automatisk moduleringsigenkänning, OFDM, 5G 6G, djuplärande, trådlös kommunikation