采用多级残差中残差增强的深度残差网络用于面向5G及以后系统的无线信号自动分类

为日益拥挤的无线频谱打造更聪明的收发器

随着我们的手机、汽车乃至电网都在争夺无线连接，空中频谱变得愈发拥挤和复杂。为了维持网络的稳定运行，接收机必须快速识别收到的信号类型，以便正确解码并避免干扰。本文提出了一种新的人工智能方法，能帮助5G及未来的无线系统在嘈杂的实际环境中更准确地自动识别信号类型。

识别信号类型为何重要

每一次无线传输——从一次电话通话到一个传感器读数——都使用特定的“调制”格式封装，实质上是通过特定方式塑造无线波以承载比特。现代5G系统支持多种先进波形，如OFDM、FBMC、UFMC、FOFDM和WOLA，每种波形针对不同需求（如高速、低干扰或更高频谱效率）进行了优化。此外，它们还使用不同的符号字母表，例如16‑QAM和64‑QAM，以在相同带宽内传输更多数据。自动判断正在使用的波形与调制组合——称为自动调制分类（AMC）——对于从日常移动宽带到国防和可再生能源控制网络等场景中的智能接收机至关重要。此阶段的错误可能会在整个通信链路中产生连锁反应，导致连接中断、数据速率下降或设备之间协调不良。

教神经网络如何“听”

作者设计了一个以强大深度学习模型——深度残差网络（DRN）为核心的新型AMC框架。传统神经网络在变得非常深时往往难以训练，因为信息和梯度在多层传递过程中会衰减。残差网络通过增加快捷路径让信息绕过某些层，从而使学习更稳定。本工作更进一步，采用了“残差中残差”的设计，在多个层级堆叠快捷连接：在每个块内、跨块组以及从输入到输出。该多级结构有助于网络在不同深度处重用并细化特征，使其更善于在嘈杂的无线信号中捕捉区分不同调制和波形的细微模式。

挑选最具判别力的信号线索

系统并非仅将原始采样直接送入网络，而是先从每个接收信号中提取一组丰富的数值描述符。这些特征包括与信号幅度波动相关的统计量、信号能量在频域的分布以及捕捉更复杂幅度和相位行为的高阶量度。从最初的33个特征池中，作者采用一种称为顺序浮动前向选择（Sequential Floating Forward Selection）的搜索策略，找出一个较小但仍保留大部分判别能力的子集。该过程将特征集精简到仅14个，既降低了计算开销，又保留了各类调制和波形的最具信息量的“指纹”。

将模型付诸测试

为评估方法，研究者使用专门的链路级仿真器生成了大量5G风格的模拟数据集。数据集涵盖十种不同的波形‑调制组合、两种调制深度（16‑QAM和64‑QAM），以及从极差到极佳的广泛信噪比范围。他们还模拟了现实的无线信道，包括标准抽头延迟线（tapped‑delay line）剖面和具挑战性的Vehicular‑A场景，后者模拟快速移动用户下的强多径反射。将所提出的带有多级残差中残差连接的DRN与更简单的DRN和早期的卷积神经网络进行了比较。在精确率、召回率、F1分数和整体准确率等指标上，新方法在多数情况下表现最佳，尤其是在信号微弱或信道严重失真时优势明显。

在逼真的5G环境中的稳健表现

性能曲线显示，新分类器在明显更低的信号质量下就能达到很高的准确率——约95%的正确判断——比标准DRN至少节省超过3 dB的信号强度，较CNN则节省超过7 dB。它还在不同的5G信道模型（TDL‑A、TDL‑B、TDL‑C）以及快速变化的车载环境中保持良好表现，而这些场景通常令许多系统困难重重。这种准确性与鲁棒性的结合表明该方法能较好地泛化到多种部署场景，从密集的室内小区到广阔的户外网络。

对日常无线用户的意义

从实际角度看，研究表明经过精心设计的深度学习模型可以显著提升未来无线电接收机对接收信号的理解能力。配备此类分类器的接收机能够在噪声、干扰和移动条件下更可靠地实时识别复杂的5G波形和调制方案，从而带来更稳定的连接、更高的数据速率以及更高效的频谱利用，适用于智能手机、工业自动化和智能能源网等应用领域。尽管当前结果基于仿真，作者计划用真实无线测量验证该方法并探索更先进的神经网络架构，朝着能够无缝适应各种空中环境的智能接收机更进一步。

引用: 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

关键词: 5G 调制, 无线信号分类, 深度残差网络, 无线波形, 智能接收机