基于 FAFT 的一种用于 OFDM 信号的新型自动调制识别算法

为何无线信号需要更敏锐的“听觉”

未来的 5G 与 6G 网络将要协调数十亿部手机、传感器、车辆和设备共享同一片拥挤的频谱。为了确保系统平稳且安全地运行，基站必须能在极短时间内识别所接收到的无线信号类型，即便该信号被噪声掩盖或被建筑与高速移动的交通工具严重扭曲。本文提出了一种新方法，能在显著降低计算开销的同时，大幅提升无线接收端对这些信号的“听觉”灵敏度。

无线电如何区分信号

每次无线传输都是通过改变无线波的某些属性来编码信息，例如幅度或相位。这些不同的编码方式被称为调制类型。自动识别调制类型对于智能频谱共享、电子对抗防护以及物联网中的安全链路至关重要。传统识别方法要么依赖通信理论中精心设计的公式，要么依赖从原始数据中学习模式的大型神经网络。前者在复杂的真实信道中可能表现欠佳，而后者常常需要昂贵的硬件和长时间的处理，这在资源受限的基站中难以承受。

针对现代信号的全新捷径

作者将注意力集中在 5G/6G 中最常见的信号类型：正交频分复用（OFDM）。OFDM 将信息分布在频谱上许多密集排列的子载波上，在频域中产生非常典型的模式。与其把这些信号当作任意波形处理，所提方法——具有注意力机制的傅里叶自适应滤波（Fourier Adaptive Filter with Attention，FAFT）——将这种先验知识直接内嵌到网络中。FAFT 将问题分为两个协同的视角：一个频域视角直接观察能量如何在子载波间分布，另一个时域视角检查信号瞬时变化。

让频谱模式更突出

在频域视角中，FAFT 首先使用常见的快速傅里叶变换将采入的同相与正交采样转换为频谱。随后引入一个可学习的增强阶段，类似智能均衡器，能够抑制由噪声主导的紊乱波动并放大与特定调制格式相关的稳定模式。接着，一个紧凑的数字滤波器组学习应强调或抑制哪些子载波群。简单的数学约束引导这些滤波器远离平凡或过于尖锐的行为，鼓励形成宽广且有意义的谱形，同时保留足够的细节以区分相近的调制方式。这样，网络便能在不依赖深层通用网络堆栈的情况下，获得干净且对 OFDM 有感知力的信号指纹。

捕捉时序线索并融合两类视角

与此同时，一个轻量的时域分支通过浅层一维卷积扫描原始信号，捕获诸如符号切换和短时失真等短程结构，这些结构在频谱中可能不易显现。频域与时域分支的输出随后被拼接并送入一个注意力机制，该机制学习在不同信道条件下应赋予哪类特征更多权重。在噪声环境下，系统可能更依赖于已清理的频谱模式；在其他情况下，则可更多倚重时序线索。最后，一个小型分类器将融合后的表征映射为具体的调制类型决策。

方法的验证

为检验 FAFT 在受控仿真以外的实用性，作者在两个知名公开数据集以及一组使用无线设备在标准化车辆信道模型下采集的真实 OFDM 信号上进行了测试。在这些基准上，FAFT 的性能与多种强大的深度学习对手持平或更优，包括残差网络、混合卷积—循环模型和基于 Transformer 的设计。而且其参数量仅为这些模型的大约十分之一或更少，算术开销也相当或更低。尤其在低信噪比场景下收益更为显著：频谱增强模块帮助模型在干扰与多径回波严重时仍能识别出底层调制。

对日常网络的意义

归结起来，这项研究表明，将现代 OFDM 波形的特性直接构建进神经网络，可以得到更聪明、更精简的接收端。通过结合面向频域的自适应滤波器组、简单的时域分支与基于注意力的融合层，FAFT 在保持模型小巧的同时提供了准确的调制识别，适合部署在真实基站或边缘无线电中。随着 5G 与 6G 系统变得日益复杂，此类量身优化且资源高效的设计有望帮助网络实时感知与管理频谱，在不需大规模新增硬件的情况下提升可靠性与安全性。

引用: 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

关键词: 自动调制识别, OFDM, 5G 6G, 深度学习, 无线通信