Djup restnätverk förbättrat med flernivå residual‑of‑residual för automatisk klassificering av radiosignaler för 5G och framtida system

Smartare radio för en framtid med trängre luftgränssnitt

När våra telefoner, bilar och till och med kraftnät konkurrerar om trådlös uppkoppling blir luftgränssnittet allt mer trångt och komplext. För att hålla dessa nätverk fungerande måste mottagare snabbt kunna känna igen vilken typ av signal de hör så att de kan avkoda den korrekt och undvika störningar. Denna artikel presenterar en ny artificiell intelligensmetod som hjälper 5G — och framtida — radiosystem att automatiskt identifiera signaltyper mer noggrant, även i brusiga, verkliga förhållanden.

Varför det är viktigt att känna igen signaltyper

Varje trådlös överföring, från ett telefonsamtal till en sensors mätvärde, paketeras med ett visst ”modulerings”format — i huvudsak ett sätt att forma radiovågor för att bära bitar. Moderna 5G‑system stödjer en blandning av avancerade vågformer som OFDM, FBMC, UFMC, FOFDM och WOLA, var och en optimerad för olika behov som hög hastighet, låg interferens eller bättre spektrumanvändning. Utöver det används olika symbolalfabet, såsom 16‑QAM och 64‑QAM, för att pressa in mer data i samma bandbredd. Att automatiskt avgöra vilken kombination som används — känt som Automatic Modulation Classification (AMC) — är avgörande för intelligenta mottagare i tillämpningar från mobil bredband till försvar och styrning av förnybar energi. Fel vid detta steg kan ge följdverkningar i hela kommunikationskedjan, vilket orsakar tappade länkar, lägre datahastigheter eller dålig samordning mellan enheter.

Att lära ett neuralt nätverk att lyssna

Författarna utformar ett nytt AMC‑ramverk centrerat kring en kraftfull typ av djupinlärningsmodell kallad Deep Residual Network (DRN). Traditionella neurala nätverk kan ha svårigheter att tränas när de blir mycket djupa, eftersom information och gradienter försvagas genom många lager. Residualnätverk hanterar detta genom att lägga till genvägar som låter signaler passera förbi lager, vilket gör inlärningen stabilare. Detta arbete går ett steg längre genom att använda en ”residual‑of‑residual”‑design, där flera genvägsnivåer staplas: inom varje block, över grupper av block och från indata till utdata. Denna flernivåstruktur hjälper nätverket att återanvända och förfina egenskaper i olika djup, vilket gör det bättre på att upptäcka subtila mönster i brusiga radiosignaler som skiljer en modulations‑ och vågformstyp från en annan.

Plocka ut de mest talande signalspåren

I stället för att mata in råa provvärden ensamma i nätverket extraherar systemet först ett rikt set av numeriska deskriptorer från varje mottagen signal. Dessa inkluderar statistik relaterad till hur signalens amplitud fluktuerar, hur dess energi fördelas över frekvenser och högre ordningens mått som fångar mer intrikata form‑ och fasbeteenden. Från en initial pool av trettio‑tre sådana funktioner använder författarna en sökstrategi kallad Sequential Floating Forward Selection för att hitta en mindre delmängd som fortfarande bär större delen av diskrimineringskraften. Denna process trimmar ned funktionsuppsättningen till bara fjorton, vilket minskar beräkningskostnaden samtidigt som de mest informativa ”fingeravtrycken” för varje modulations‑ och vågformstyp bevaras.

Sätta modellen på prov

För att utvärdera sitt tillvägagångssätt genererar forskarna en stor simulerad dataset av 5G‑liknande signaler med hjälp av en specialiserad link‑level‑simulator. Datamängden täcker tio olika vågforms–modulationspar, två modulationsdjup (16‑QAM och 64‑QAM) och ett brett spektrum av signal‑till‑brus‑förhållanden från mycket dålig till utmärkta mottagningsförhållanden. De modellerar också realistiska trådlösa kanaler, inklusive standardiserade tapped‑delay‑line‑profiler och ett utmanande Vehicular‑A‑scenario som efterliknar snabbrörliga användare med starka multipath‑reflektioner. Det föreslagna DRN med flernivå residual‑of‑residual‑kopplingar jämförs mot ett enklare DRN och ett tidigare konvolutionellt neuralt nätverk. Över mått som precision, recall, F1‑poäng och total noggrannhet presterar den nya metoden konsekvent bäst, särskilt när signalerna är svaga eller kanalen är starkt förvrängd.

Robust prestanda i realistiska 5G‑miljöer

Prestandakurvor visar att den nya klassificeraren når mycket hög noggrannhet — omkring 95 % korrekta beslut — vid avsevärt lägre signalnivå än basmetoderna, och kräver mer än 3 dB mindre signalstyrka än standard‑DRN och över 7 dB mindre än CNN. Den behåller också starka resultat över olika 5G‑kanalmodeller (TDL‑A, TDL‑B, TDL‑C) och i snabbt föränderliga fordonsförhållanden, där många system kämpar. Denna kombination av noggrannhet och motståndskraft tyder på att metoden kan generalisera väl till olika distributionsscenarier, från täta inomhusceller till stora utomhusnätverk.

Vad detta betyder för vanliga trådlösa användare

I praktiska termer visar studien att omsorgsfullt utformade djupinlärningsmodeller kan göra framtida radioapparater mycket bättre på att förstå de signaler de tar emot. En mottagare utrustad med denna typ av klassificerare kan mer pålitligtidentifiera komplexa 5G‑vågformer och moduleringsscheman i realtid, även mitt i brus, interferens och rörelse. Det översätts till mer stabila anslutningar, högre datahastigheter och effektivare spektrumanvändning för tillämpningar som smartphones, industriell automation och smarta energinät. Även om de nuvarande resultaten baseras på simuleringar planerar författarna att validera sitt tillvägagångssätt med verkliga radiomätningar och att utforska ännu mer avancerade neurala arkitekturer, för att komma närmare intelligenta mottagare som sömlöst kan anpassa sig till vad än luftgränssnittet utsätter dem för.

Citering: 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

Nyckelord: 5G‑modulering, klassificering av trådlösa signaler, djupt restnätverk, radiovågformer, intelligenta mottagare