Modulation Recognition Method with Dual-Branch Feature Fusion Based on Lightweight CNN and Dual-Attention Network

In dem unsichtbaren Ozean, der uns umgibt, reisen ständig Informationen in Form von Radiowellen. Diese Wellen tragen alles – von Notfallsendungen bis hin zu den Daten, die unsere Smartphones antreiben –, doch sie sind oft in voller Sichtweite verborgen, getarnt durch das Rauschen der natürlichen Welt. Um in dieser chaotischen Umgebung Sinn zu stiften, verlassen sich Ingenieure auf einen Prozess namens automatische Modulationserkennung. Stellen Sie sich dies als einen Übersetzer für die Funkwellen vor; seine Aufgabe ist es, ein Signal zu „hören“ und sofort zu identifizieren, welche Art von Code es verwendet. Verschiedene Signale nutzen unterschiedliche Methoden, um Informationen zu verpacken, ganz so, wie verschiedene Sprachen unterschiedliche Satzstrukturen verwenden. Einige Signale sind einfach und robust, während andere komplex und effizient sind und mehr Daten in denselben Raum packen. Die Herausforderung entsteht, wenn diese Signale schwach sind oder unter Rauschen begraben liegen, wie etwa durch die Interferenzen anderer elektronischer Geräte oder das natürliche Rauschen der Atmosphäre. Unter diesen schwierigen Bedingungen können die subtilen Unterschiede zwischen Signaltypen verschwinden, was es traditionellen Systemen nahezu unmöglich macht, sie voneinander zu unterscheiden. Dies ist ein kritisches Problem für die militärische Aufklärung, die Spektrumüberwachung und die Zukunft der drahtlosen Kommunikation, wo das Wissen darüber, was genau ein Signal ist, der Unterschied zwischen Erfolg und Misserfolg sein kann.

Ein Team von Forschern der Chongqing Polytechnic University of Electronic Technology und der Chongqing Open University hat einen neuen Ansatz entwickelt, um dieses Problem zu lösen, indem es sich gezielt auf die Verwirrung konzentriert, die auftritt, wenn Signale schwach sind. Ihre Methode, die in einer kürzlich veröffentlichten Studie detailliert beschrieben wurde, bewegt sich weg von dem Versuch, ein einziges, massives Computermodell alles gleichzeitig machen zu lassen. Stattdessen entwarfen sie ein System, das wie ein zweistufiger Screening-Prozess funktioniert, der Geschwindigkeit mit tiefgehender, sorgfältiger Analyse kombiniert. Die Forscher erkannten, dass nicht alle Signale gleich geschaffen sind. Einige Signale, wie jene, die bei der einfachen Frequenzmodulation verwendet werden, haben markante Formen, die selbst in einem verrauschten Raum leicht zu erkennen sind. Andere, insbesondere hochgradige digitale Signale, sind einander unglaublich ähnlich und unterscheiden sich nur durch winzige, subtile Muster von Amplitude und Phase, die verloren gehen können, wenn das Signal schwach ist. Um diese Vielfalt zu bewältigen, baute das Team ein Dual-Branch-Netzwerk (Zweig-Netzwerk). Der erste Zweig ist ein leichtgewichtiges, schnell agierendes System, das darauf ausgelegt ist, alle eingehenden Signale schnell zu scannen und diejenigen herauszufiltern, die leicht zu identifizieren sind. Dieser Zweig fungt als schnelles Sieb, das die offensichtlichen Signale auffängt und den Weg für den zweiten Zweig frei macht.

Der zweite Zweig ist der Ort, an dem die eigentliche Arbeit für die schwierigen Fälle stattfindet. Sobald die einfachen Signale beiseitegeschoben wurden, richtet das System seine volle Aufmerksamkeit auf die sechs Arten von High-Order-Signalen, die am wahrscheinlichsten miteinander verwechselt werden könnten. Dieser spezialisierte Teil des Netzwerks nutzt einen Dual-Attention-Mechanismus, der wie ein Paar fokussierter Augen funktioniert, die genau wissen, wohin sie schauen müssen. Er untersucht das Signal gleichzeitig aus zwei verschiedenen Perspektiven: eine betrachtet die Zeitplanung und Sequenz der Daten, während die andere die Stärke und Verteilung der Komponenten des Signals betrachtet. Durch die Gewichtung dieser verschiedenen Merkmale kann das System die schwachen, kritischen Details herausfiltern, die ein komplexes Signal von einem anderen unterscheiden, selbst wenn sie unter erheblichem Rauschen begraben liegen. Der letzte Schritt umfasst ein Entscheidungsmodul, das beiden Zweigen zuhört. Es vergleicht die Konfidenzniveaus ihrer Antworten und wählt das zuverlässigste Ergebnis aus, um sicherzustellen, dass die endgültige Identifizierung die bestmögliche Vermutung basierend auf den verfügbaren Beweisen ist.

Die Ergebnisse dieses Ansatzes wurden über einen breiten Bereich von Signalstärken getestet, von sehr schwachen Signalen, die kaum noch wahrnehmbar sind, bis hin zu starken, klaren Übertragungen. Die Forscher fanden heraus, dass ihre Dual-Branch-Methode über den gesamten Testbereich eine Gesamtgenauigkeit der Erkennung von 86,1 % erreichte. Diese Leistung war besonders beeindruckend in den Niedrigsignalbedingungen, die normalerweise andere Systeme überfordern. In dem kritischen Bereich, in dem Signale schwach sind, spezifisch zwischen -8 dB und 0 dB, erreichte die neue Methode eine durchschnittliche Erkennungsrate von 71,8 %. Dies ist eine signifikante Verbesserung gegenüber bestehenden Modellen, die ohne den Vorteil dieser spezialisierten zwei-stufigen Architektur Schwierigkeiten hatten, ähnliche Genauigkeitswerte zu erreichen. Die Studie zeigte, dass ein einzelnes, einfaches Netzwerk die leichten Signale zwar gut identifizieren konnte, aber bei den komplexen völlig versagte. Umgekehrt war das spezialisierte Netzwerk allein exzellent bei den komplexen Signalen, war jedoch durch die einfacheren Signale verwirrt. Erst durch die Fusion der beiden erreichte das System ein Gleichgewicht, das für alle zwölf getesteten Signaltypen funktionierte, einschließlich verschiedener Formen der Phasen- und Amplitudenmodulation.

Die Forscher verglichen ihre Methode zudem mit mehreren anderen führenden Deep-Learning-Modellen, die für diese Aufgabe eingesetzt werden. In diesen Vergleichen übertraf ihr Ansatz die anderen konsequent, insbesondere in der Niedrigsignal-Umgebung, in der der Leistungsunterschied am deutlichsten ausgeprägt war. Die neue Methode war in der Lage, Stabilität und Genauigkeit beizubehalten, während die Leistung anderer Modelle drastisch abfiel. Dies deutet darauf hin, dass die Strategie, die Aufgabe in ein breites, schnelles Screening und eine tiefe, fokussierte Analyse zu trennen, ein effektiverer Weg ist, um die Komplexität realer elektromagnetischer Umgebungen zu bewältigen. Das System erfordert keine komplexen manuellen Anpassungen oder Vorwissen über die spezifischen Signale, was es anpassungsfähig an wechselnde Bedingungen macht. Durch die erfolgreiche Unterscheidung zwischen Signalen, die leicht verwechselt werden können, selbst wenn sie schwach sind, bietet diese Forschung ein zuverlässigeres Werkzeug für das Verständnis der unsichtbaren Welt der Funkkommunikation. Sie zeigt, dass Maschinen, indem sie einen menschenähnlichen Prozess aus schnellem Scannen gefolgt von sorgfältiger Inspektion imitieren, viel besser darin werden können, das Signal durch das Rauschen hindurch zu hören.