Blind igenkänning av kanal-koder baserat på dual-grenig funktionsfusion med konvolutionella neurala nätverk

Smartare radio för trånga frekvensband

Trådlösa nät blir allt mer trånga när telefoner, sensorer och fordon tävlar om samma frekvensutrymme. För att undvika kaos måste framtidens ”kognitiva radioapparater” först lyssna och sedan intelligenta dela spektrum som redan används av andra. Ett centralt problem är att dessa radioapparater ofta inte vet hur den ursprungliga signalen skyddades mot fel innan den sändes. Denna artikel introducerar en ny metod inom artificiell intelligens som kan gissa den dolda felkorrigeringskoden som använts på en signal — utan någon förhandsinformation — vilket gör det lättare för smarta mottagare att synkronisera och kommunicera pålitligt.

Varför dolda felkorrigeringskoder spelar roll

Moderna trådlänkar skyddar data med felkorrigeringskoder som lägger till noggrant strukturerad redundans så att mottagare kan rätta till fel orsakade av brus och störningar. Olika situationer kräver olika koder: enkla Hamming-koder, starkare BCH- och Reed–Solomon-koder, flexibla LDPC- och Polar-koder eller strömningsorienterade konvolutionella och Turbo-koder. I icke-kooperativa miljöer — såsom militär kommunikation, spektrummikrofonering eller öppna, delade band — kan mottagare inte fråga en sändare vilken kod som används. De ser bara en brusig bitström. Att korrekt gissa kodschemat, en uppgift kallad blind kodigenkänning, är nödvändig innan någon meningsfull avkodning eller högre nivåns bearbetning kan ske.

Begränsningar hos tidigare igenkänningsmetoder

Tidigare forskning fokuserade antingen på en familj av koder åt gången eller förlitade sig på handgjorda statistikmått som hur ofta bitar upprepas, hur slumpmässig en sekvens verkar eller algebraiska knep anpassade till en specifik kod. Dessa tillvägagångssätt kan kanske säga ”detta är någon typ av blockkod” men har svårt att särskilja flera populära format samtidigt. Djupt lärande har på senare tid förbättrat situationen genom att behandla bitströmmar ungefär som meningar i en språkmodell. Men de flesta neurala nät tittar antingen enbart på råa sekvenser eller enbart på manuellt utformade funktioner, och hanterar vanligtvis högst två eller tre kodtyper samtidigt. Deras noggrannhet faller kraftigt när bitfelsfrekvensen ökar — vilket är precis när robust igenkänning behövs mest.

Ett tvåspårs neuralt nät som ser både struktur och statistik

Författarna föreslår ett Dual-Branch Feature Fusion Convolutional Neural Network (DBFCNN) som hanterar blind igenkänning av sju mycket använda koder i ett enda steg: Hamming, BCH, Reed–Solomon, LDPC, Polar, konvolutionell och Turbo-koder. Den första grenen behandlar inkommande bitar som korta ”ord”, grupperar dem i 8-bitars block och avbildar varje block till en tät vektor, ungefär som ordinbäddningar i naturlig språkbehandling. Därefter appliceras ett antal endimensionella konvolutioner med olika fönsterstorlekar och dilationsgrader. Små filter fångar kortdistansmönster, som den täta strukturen i enkla blockkoder, medan större och dilaterade filter spänner över längre områden och plockar upp spår av interleavers och paritetsmönster typiska för Turbo- och LDPC-koder. Ett globalt poolningssteg pressar ihop detta till en kompakt sammanfattning av sekvensens strukturella ”fingeravtryck”.

Handgjorda mätvärden som stabiliserar modellen

Den andra grenen tar en mycket annorlunda ansats. I stället för råa bitar beräknar den sju familjer av beskrivande statistik som ingenjörer vet är känsliga för val av kod. Dessa inkluderar hur ofta körar av identiska bitar förekommer, hur komplex sekvensen är, hur slumpmässig den verkar, hur starkt den korrelerar med förskjutna kopior av sig själv och hur dess energi fördelas över frekvenser. Ytterligare mått undersöker hur ”linjär” koden verkar vara och hur lokala bitblock beter sig. Eftersom dessa statistikmått förändras långsamt med tillkommande brus ger de nätverket ett stabilt, brus-tolerant perspektiv. Ett litet neuralt subnät omvandlar denna funktionsvektor till en annan kompakt representation. Slutligen konkatenaterar DBFCNN de två grenarna, normaliserar och regulariserar de kombinerade funktionerna och matar dem till en klassificerare som ger sannolikheter för var och en av de sju kodtyperna.

Visar tillförlitlighet över brusiga förhållanden

För att rigoröst testa DBFCNN genererade författarna mer än en miljon syntetiska exempel som täcker sju kodfamiljer, flera parameterinställningar och bitfelsfrekvenser från nästan felfria till extremt brusiga förhållanden. De tränade och testade modellen med omsorgsfulla Monte Carlo-procedurer för att undvika dolda överlapp mellan tränings- och testdata. Över detta breda spann överträffade DBFCNN konsekvent tre starka jämförelsemodeller, inklusive ett tidigare flerskaligt dilaterat CNN designat specifikt för denna uppgift. Vid måttliga och låga felnivåer (bitfelsfrekvens under 10⁻³) identifierade det nya nätverket kodtypen korrekt ungefär 98 % av gångerna, vilket förbättrar absolut noggrannhet med ungefär 5–11 procentenheter jämfört med den starkaste tidigare modellen. Även när bruset blev mycket kraftigt behöll DBFCNN en tydlig fördel och kunde fortfarande känna igen flera komplexa koder med hög tillförsikt.

Vad detta innebär för framtidens smarta radioapparater

För en icke-expert är huvudpoängen att arbetet visar hur kombinationen av domänkunskap och djupt lärande kan göra radioapparater mycket mer självgående. DBFCNN lär sig den subtila ”accenten” hos olika felkorrigeringskoder i brusiga bitströmmar genom att lyssna på två sätt samtidigt: en gren hör detaljerade lokala mönster, medan den andra mäter globala statistiska ledtrådar. Genom att förena dessa perspektiv kan systemet i de flesta fall avgöra exakt vilket kodschema som används, utan någon samverkan från sändaren. Den förmågan är en byggsten för kognitiva radioapparater som kan ansluta till främmande nät, anpassa sig till föränderliga miljöer och utnyttja begränsat spektrum bättre — samtidigt som kommunikationen hålls pålitlig även när luften är trång och brusig.

Citering: Ma, Y., Lei, Y., Liu, C. et al. Blind recognition of channel codes based on dual-branch feature fusion convolutional neural networks. Sci Rep 16, 5159 (2026). https://doi.org/10.1038/s41598-026-35558-7

Nyckelord: kognitiv radio, kanalkodning, djupt lärande, felsökning, signalsklassificering