ПРИМЕНЕНИЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АВТОМАТИЧЕСКОЙ КЛАССИФИКАЦИИ ТИПОВ ЦИФРОВОЙ МОДУЛЯЦИИ В УСЛОВИЯХ ЗАШУМЛЕННОГО КАНАЛА

APPLICATION OF CONVOLUTIONAL NEURAL NETWORKS FOR AUTOMATIC DIGITAL MODULATION CLASSIFICATION IN NOISY CHANNEL ENVIRONMENTS

Lobov Georgiy Andreevich

Student, Department of Radio Electronics, Don State Technical University,

Russia, Rostov-on-Don

Turapin Stepan Andreevich

Student, Department of Radio Electronics, Don State Technical University,

Russia, Rostov-on-Don

АННОТАЦИЯ

Данная работа описывает метод автоматической идентификации типов модуляции радиосигналов посредством применения сверточной нейронной сети (CNN). В качестве эмпирической базы использовался набор данных RadioML2016.10A. Результаты проведенных экспериментов подтверждают, что стандартная конфигурация CNN позволяет достичь высокой точности распознавания (порядка 93%) в условиях высокого уровня шума (SNR).

ABSTRACT

This study introduces a method for the automatic classification of radio signal modulations employing a convolutional neural network (CNN) evaluated on the RadioML2016.10A dataset. Experimental results demonstrate that a standard CNN architecture achieves significant recognition accuracy (approximately 93%) under conditions of a high noise ratio (SNR).

Ключевые слова: распознавание видов модуляции, автоматическая идентификация, машинное обучение, радиосигналы, сверточная нейросеть.

Keywords: modulation recognition, automatic identification, machine learning, radio signals, convolutional neural network.

В эпоху стремительного развития беспроводных задача автоматизированного определения типа модуляции принимаемого сигнала приобретает критическое значение. Слепая классификация сигналов является фундаментальным элементом когнитивных радиосистем, комплексов радиоэлектронной борьбы и систем динамического управления спектром [4].

Классические подходы к решению этой проблемы базируются на извлечении экспертных признаков. Однако в условиях реальных каналов связи, подверженных многолучевому распространению, замираниям и аддитивному белому гауссовскому шуму, традиционные алгоритмы демонстрируют резкое снижение эффективности.

Альтернативой выступают технологии глубокого машинного обучения, которые способны самостоятельно формировать оптимальное пространство признаков, анализируя «сырые» радиоданные [1, 2]. В текущем исследовании оценивается эффективность применения сверточных нейросетей (CNN) для задачи многоклассовой категоризации радиосигналов, передаваемых по зашумленному каналу, с акцентом на оценку предельных возможностей модели при различных уровнях ОСШ.

Описание набора данных

Экспериментальная часть работы выполнена на базе стандартизированного датасета RadioML2016.10A, который был предложен в качестве бенчмарка для алгоритмов машинного обучения в радиосвязи [1]. Данный массив содержит синтезированные радиосигналы, пропущенные через модель канала с различными искажениями.

Каждый сэмпл в датасете представляет собой матрицу размерности 2 × 128, где отражены 128 дискретных отсчетов во временной области для синфазной (I) и квадратурной (Q) компонент сигнала.

Набор включает 11 схем модуляции, охватывающих как цифровые, так и аналоговые форматы:

- Цифровые (фазовые и квадратурные): BPSK, QPSK, 8PSK, QAM16, QAM64.

- Цифровые (частотные и импульсные): CPFSK, GFSK, PAM4.

- Аналоговые: AM-DSB, AM-SSB, WBFM.

Для имитации реальных условий эфира каждый сигнал сгенерирован с определенным отношением сигнал/шум (SNR), диапазон которого составляет от -20 дБ до +18 дБ с шагом в 2 дБ.

 Предобработка данных

Для обеспечения корректного процесса обучения исходный массив был случайным образом разделен на три независимые выборки: тренировочную, валидационную и тестовую. Ключевым этапом подготовки стала балансировка классов: объемы данных для каждого типа модуляции были уравнены, чтобы предотвратить смещение нейросети в пользу мажоритарных классов. Кроме того, к I/Q-компонентам была применена процедура нормализации, нивелирующая влияние абсолютных амплитудных значений на веса нейросети.

Архитектура нейросетевой модели

Поскольку I/Q-представление сигнала можно рассматривать как двумерный тензор (аналог одноканального изображения 2x128x1), оптимальным выбором стала архитектура на базе двумерных сверток (Conv2D).

Топология разработанной сети включает следующие блоки:

1. Блок экстракции признаков: каскад сверточных слоев с варьирующимися размерами ядер (например, 1×7, 2×3, 1×5). Свертки отвечают за поиск локальных паттернов во времени и корреляций между I и Q каналами. Каждый слой дополнен пакетной нормализацией (Batch Normalization) для ускорения сходимости и слоем субдискретизации (MaxPooling) для уменьшения размерности.
2. Блок классификации: после преобразования карт признаков в одномерный вектор (Flatten) следуют полносвязные слои (Dense) с активационной функцией ReLU.
3. Выходной слой: состоит из 11 нейронов (по числу классов) с функцией Softmax, генерирующей вероятностное распределение принадлежности сигнала к конкретной модуляции.

Процесс тренировки модели

Обучение проводилось алгоритмом обратного распространения ошибки с использованием оптимизатора Adam (стартовая скорость обучения — 0.001). В качестве функции потерь применялась категориальная перекрестная энтропия. Размер мини-пакета (batch size) составил 256 примеров.

Для борьбы с переобучением был внедрен комплекс мер:

- Слои прореживания (Dropout) с коэффициентом 0.4–0.5 в полносвязном блоке.

- Механизм ранней остановки, прерывающий обучение, если ошибка на валидационной выборке перестает снижаться.

- Адаптивное снижение шага обучения (ReduceLROnPlateau) при выходе функции потерь на плато.

- Сохранение весов лучшей итерации.

Максимальное количество эпох было задано равным 50.

Анализ результатов

Динамика обучения показала стабильное снижение функции потерь. Оптимальные веса сети были зафиксированы на 48-й эпохе.

При тестировании модели на сигналах с высоким уровнем ОСШ (от +10 дБ и выше) были получены следующие метрики общей точности (Accuracy):

- На тренировочном множестве: ~94.3%

- На валидационном множестве: ~92.4%

- На отложенной тестовой выборке: 92.8%

Такая согласованность результатов исключает наличие сильного переобучения. Детальная оценка по классам (Precision, Recall, F1-score): Модель продемонстрировала практически безошибочную классификацию (метрики стремятся к 1.0) для цифровых видов модуляции: BPSK, QPSK, 8PSK, CPFSK, GFSK и PAM4.

Однако матрица ошибок (рис. 1) позволила выявить проблемные зоны алгоритма:

Рисунок 1. Матрица ошибок

1. AM-DSB: наблюдается низкий показатель точности (Precision ≈ 0.64) при высоком охвате (Recall ≈ 0.99). Сеть часто ошибочно относит другие амплитудно-модулированные сигналы к классу AM-DSB из-за высокой степени сходства их огибающих.
2. WBFM: данный класс показал наихудший Recall (около 0.44). Широкополосная частотная модуляция обладает сложной спектральной структурой, которая в условиях дискретизации датасета сильно напоминает шумовые паттерны, что сбивает классификатор.

Влияние зашумленности канала:

Рисунок 2. График точности от SNR

Анализ зависимости точности от уровня SNR подтвердил физическую логику процесса. При ОСШ ≥ 10 дБ кривая точности выходит на асимптоту (максимальная эффективность). При падении SNR ниже 0 дБ (когда мощность шума превышает мощность полезного сигнала) прогностическая способность сети закономерно деградирует, в первую очередь для аналоговых классов и сложных квадратурных схем (QAM64) [2, с. 172].

Заключение

В ходе проведенного исследования была подтверждена высокая результативность использования сверточных нейронных сетей для задачи автоматической идентификации типов модуляции радиосигналов. Разработанная модель продемонстрировала уверенное распознавание большинства классов, достигнув точности 92.8% при анализе сигналов с высоким отношением сигнал/шум. Полученные результаты свидетельствуют о том, что методы глубокого обучения способны эффективно извлекать информативные признаки непосредственно из I/Q-компонент сигнала, минуя стадию сложной ручной предобработки.

Вместе с тем, анализ работы алгоритма выявил естественные ограничения, связанные с физической природой некоторых сигналов (в частности, спектральное сходство AM-DSB с другими амплитудными модуляциями и шумоподобная структура WBFM), а также ожидаемое снижение точности в условиях сильной зашумленности канала. Данные аспекты подчеркивают нетривиальность задачи слепой классификации в реальной радиоэфирной обстановке. Вектор дальнейшего развития в этой предметной области может быть направлен на поиск оптимального баланса между вычислительной сложностью нейросетевых моделей и их устойчивостью к канальным искажениям, а также на исследование более сложных пространств признаков для повышения общей робастности систем когнитивного радио.

Список литературы:

1. O’Shea, T. J., & Corgan, J. Convolutional Radio Modulation Recognition Networks.// arXiv preprint arXiv:1602.04105.– 2016. – С. 15.
2. O’Shea, T. J., Roy, T., & Clancy, T. C. Over-the-Air Deep Learning Based Radio Signal Classification.// IEEE Journal of Selected Topics in Signal Processing, 12(1). – 2018. – С. 168–179.
3. Alsharif, M. H., et al. (2023). Automatic Modulation Classification using amalgam CNN-LSTM.// IEEE Access – 2023.
4. Khan, M. A., et al. Deep Learning based Real Time Radio Signal Modulation Classification.// International Journal of Engineering and Manufacturing, 13(5). – 2023. – C. 34–45.