Çok seviyeli residual‑of‑residual ile güçlendirilmiş derin residual ağ: 5G ve ötesi sistemler için radyo sinyallerinin otomatik sınıflandırılması

Dolu Hava Dalga Spektrumu İçin Daha Akıllı Radyolar

Telefonlarımız, otomobillerimiz ve hatta elektrik şebekelerimiz kablosuz bağlantı için rekabet ederken, hava dalgaları giderek daha kalabalık ve karmaşık hale geliyor. Bu ağların sorunsuz çalışmasını sağlamak için alıcıların duydukları sinyal türünü hızla tanıması gerekir; böylece sinyali doğru çözüp girişimi önleyebilirler. Bu makale, gürültülü, gerçek dünya koşullarında bile 5G — ve gelecekteki — radyo sistemlerinin sinyal türlerini daha doğru biçimde otomatik olarak tespit etmelerine yardımcı olan yeni bir yapay zeka yöntemi sunuyor.

Sinyal Türünü Tanımlamanın Neden Önemi Var?

Bir telefon görüşmesinden bir sensör okumasına kadar her kablosuz iletim, bitleri taşımak için radyo dalgalarını biçimlendiren belirli bir “modülasyon” formatıyla paketlenir. Modern 5G sistemleri, yüksek hız, düşük girişim veya spektrumu daha verimli kullanma gibi farklı ihtiyaçlara göre optimize edilmiş OFDM, FBMC, UFMC, FOFDM ve WOLA gibi gelişmiş dalga formlarının bir karışımını destekler. Buna ek olarak, aynı bant genişliğine daha fazla veri sığdırmak için 16‑QAM ve 64‑QAM gibi farklı sembol alfabeleri kullanırlar. Kullanılan kombinasyonu otomatik olarak saptamak — Otomatik Modülasyon Sınıflandırması (AMC) olarak bilinir — günlük mobil geniş banttan savunma ve yenilenebilir enerji kontrol ağlarına kadar uzanan uygulamalarda akıllı alıcılar için kritik öneme sahiptir. Bu aşamadaki hatalar iletişim zinciri boyunca etkiler yaratabilir; bağlantı kopmaları, yavaş veri veya cihazlar arasında kötü koordinasyon ortaya çıkabilir.

Ağ Dinlemeyi Nasıl Öğreniyor?

Yazarlar, Derin Residual Ağ (DRN) adı verilen güçlü bir derin öğrenme modeline dayanan yeni bir AMC çerçevesi tasarlıyor. Geleneksel sinir ağları çok derin hale geldiğinde eğitilirken bilgi ve gradyanlar katmanlar arasında ilerledikçe zayıflayabildiği için zorluk yaşayabilir. Residual ağlar, sinyallerin katmanları atlayabilmesini sağlayan kısa yol bağlantıları ekleyerek öğrenmeyi daha kararlı hâle getirir. Bu çalışma bir adım daha ileri giderek “residual‑of‑residual” tasarımını kullanır; burada bir blok içinde, blok grupları arasında ve girişten çıkışa kadar çoklu kısa yol seviyeleri üst üste bindirilir. Bu çok seviyeli yapı, ağın farklı derinliklerdeki özellikleri yeniden kullanmasına ve ince ayar yapmasına yardımcı olur; böylece gürültülü radyo sinyallerindeki modülasyon ve dalga formunu birbirinden ayıran ince desenleri tespit etmede daha iyi olur.

En Anlamlı Sinyal İpuçlarını Seçmek

Ağı yalnızca ham örneklerle beslemek yerine sistem, her alınan sinyalden önce zengin bir sayısal tanımlayıcı seti çıkarır. Bunlar, sinyalin genliğinin nasıl dalgalandığına ilişkin istatistikler, enerjisinin frekanslar arasındaki dağılımı ve daha karmaşık şekil ile faz davranışlarını yakalayan yüksek mertebeden ölçümleri içerir. Otuz üç özelliklik ilk havuzdan, yazarlar Sequential Floating Forward Selection (Sıralı Dalgalı İleri Seçim) adlı arama stratejisini uygulayarak ayrım gücünün çoğunu hâlâ taşıyan daha küçük bir alt küme bulurlar. Bu süreç, hesaplama maliyetini düşürürken her modülasyon ve dalga formunun en bilgilendirici “parmak izlerini” koruyarak özellik setini on dört taneye indirir.

Modeli Test Etmek

Yaklaşımı değerlendirmek için araştırmacılar, bağlantı seviyesi simülatörü kullanarak 5G tarzı sinyallerden oluşan büyük bir yapay veri seti üretirler. Veri seti on farklı dalga formu–modülasyon çiftini, iki modülasyon derinliğini (16‑QAM ve 64‑QAM) ve çok zayıf ile çok iyi alım koşulları arasındaki geniş bir sinyal‑gürültü oranı aralığını kapsar. Ayrıca standart tapped‑delay line profilleri ve güçlü çok yol yansımalarını taklit eden hızlı hareketli kullanıcılar için zorlu bir Vehicular‑A senaryosu dahil olmak üzere gerçekçi kablosuz kanalları modellediler. Çok seviyeli residual‑of‑residual bağlantılarına sahip önerilen DRN, daha basit bir DRN ve önceki bir konvolüsyonel sinir ağı ile karşılaştırıldı. Kesinlik, duyarlılık, F1‑skoru ve genel doğruluk gibi metrikler açısından yeni yöntem, özellikle sinyaller zayıf veya kanal ciddi biçimde bozulmuş olduğunda tutarlı şekilde en iyi sonuçları verdi.

Gerçekçi 5G Ortamlarında Dayanıklı Performans

Performans eğrileri, yeni sınıflandırıcının oldukça daha düşük sinyal kalitesinde bile çok yüksek doğruluğa—yaklaşık %95 doğru karar—ulaştığını gösteriyor; standart DRN’ye kıyasla 3 dB’den fazla, CNN’e kıyasla ise 7 dB’den fazla daha az sinyal gücü gerektiriyor. Ayrıca farklı 5G kanal modellerinde (TDL‑A, TDL‑B, TDL‑C) ve birçok sistemin zorlandığı hızlı değişen taşıt koşullarında da güçlü sonuçlar koruyor. Bu doğruluk ve dayanıklılık birleşimi, yöntemin yoğun iç mekan hücrelerinden geniş açık ağlara kadar çeşitli dağıtım senaryolarına iyi genellenebileceğini gösteriyor.

Günlük Kablosuz Kullanıcılar İçin Bunun Anlamı

Pratik açıdan çalışma, dikkatle tasarlanmış derin öğrenme modellerinin geleceğin radyolarının aldıkları sinyalleri anlamasını önemli ölçüde iyileştirebileceğini gösteriyor. Bu tür bir sınıflandırıcıyla donatılmış bir alıcı, gürültü, girişim ve hareketlilik ortamında bile karmaşık 5G dalga formlarını ve modülasyon şemalarını daha güvenilir biçimde gerçek zamanlı tanıyabilir. Bu da akıllı telefonlar, endüstriyel otomasyon ve akıllı enerji şebekeleri gibi uygulamalar için daha kararlı bağlantılar, daha yüksek veri oranları ve daha verimli spektrum kullanımı anlamına gelir. Mevcut sonuçlar simülasyonlara dayansa da yazarlar yaklaşımı gerçek radyo ölçümleriyle doğrulamayı ve daha gelişmiş sinir mimarilerini keşfetmeyi planlıyor; böylece hava dalgalarının ne getirirse getirsin sorunsuzca uyum sağlayabilen akıllı alıcılara daha da yaklaşılacak.

Atıf: 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

Anahtar kelimeler: 5G modülasyonu, kablosuz sinyal sınıflandırması, derin residual ağlar, radyo dalga formları, akıllı alıcılar