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

In de onzichtbare oceaan die ons omringt, reist een constante stroom van informatie in de vorm van radiogolven. Deze golven dragen alles over, van noodberichten tot de gegevens die onze smartphones aandrijven, maar ze zijn vaak voor het oog verborgen, vermomd door de statische ruis van de natuurlijke wereld. Om zin te krijgen in deze chaotische omgeving, vertrouwen ingenieurs op een proces dat automatische modulatieherkenning wordt genoemd. Beschouw dit als een vertaler voor de ethergolven; het doel is om naar een signaal te luisteren en direct te identificeren welk type code het gebruikt. Verschillende signalen gebruiken verschillende methoden om informatie te verpakken, vergelijkbaar met hoe verschillende talen verschillende zinsstructuren gebruiken. Sommige signalen zijn eenvoudig en robuust, terwijl andere complex en efficiënt zijn, waarbij ze meer gegevens in dezelfde ruimte verpakken. De uitdaging ontstaat wanneer deze signalen zwak zijn of begraven liggen onder ruis, zoals de interferentie van andere elektronische apparaten of de natuurlijke statische elektriciteit van de atmosfeer. In deze moeilijke omstandigheden kunnen de subtiele verschillen tussen signaaltypen verdwijnen, waardoor het voor traditionele systemen bijna onmogelijk is om ze van elkaar te onderscheiden. Dit is een cruciaal probleem voor militaire verkenning, spectrummonitoring en de toekomst van draadloze communicatie, waarbij weten wat een signaal precies is het verschil kan betekenen tussen succes en falen.

Een team onderzoekers van de Chongqing Polytechnic University of Electronic Technology en de Chongqing Open University heeft een nieuwe aanpak ontwikkeld om dit probleem op te lossen, specifiek gericht op de verwarring die optreedt wanneer signalen zwak zijn. Hun methode, die gedetailleerd wordt beschreven in een recente studie, wijkt af van het proberen te dwingen van één enkel, massief computermodel om alles tegelijk te doen. In plaats daarvan hebben ze een systeem ontworpen dat werkt als een tweetraps screeningsproces, waarbij snelheid wordt gecombineerd met diepe, zorgvuldige analyse. De onderzoekers erkenden dat niet alle signalen gelijk zijn. Sommige signalen, zoals die gebruikt worden bij basis frequentiemodulatie, hebben duidelijke vormen die zelfs in een lawaaierige kamer gemakkelijk te herkennen zijn. Andere, met name hoogwaardige digitale signalen, zijn extreem vergelijkbaar met elkaar en verschillen slechts door minuscule, subtiele patronen in amplitude en fase die gemakkelijk verloren gaan wanneer het signaal zwak is. Om deze diversiteit aan te pakken, bouwde het team een dual-branch netwerk (een netwerk met twee takken). De eerste tak is een lichtgewicht, snel bewegend systeem dat is ontworpen om alle binnenkomende signalen snel te scannen en de signalen die gemakkelijk te identificeren zijn eruit te filteren. Deze tak fungeert als een snelle zeef, die de voor de hand liggende signalen opvangt en het pad vrijmaakt voor de tweede tak.

De tweede tak is waar het echte werk gebeurt voor de moeilijke gevallen. Zodra de gemakkelijke signalen opzij zijn gezet, richt het systeem zijn volledige aandacht op de zes soorten hoogwaardige signalen die het meest waarschijnlijk met elkaar verward zullen worden. Dit gespecialiseerde deel van het netwerk maakt gebruik van een dual-attention mechanisme, wat functioneert als een paar gefocuste ogen die precies weten waar ze naar moeten kijken. Het onderzoekt het signaal tegelijkertijd vanuit twee verschillende perspectieven: één die kijkt naar de timing en sequentie van de gegevens, en één die kijkt naar de sterkte en distributie van de componenten van het signaal. Door deze verschillende kenmerken te wegen, kan het systeem de zwakke, kritieke details oppikken die een complex signaal van een ander onderscheiden, zelfs wanneer ze begraven liggen onder aanzienlijke ruis. De laatste stap omvat een beslissingsmodule die naar beide takken luistert. Het vergelijkt de betrouwbaarheidsniveaus van hun antwoorden en selecteert het meest betrouwbare resultaat, om er zeker van te zijn dat de uiteindelijke identificatie de best mogende gok is op basis van het beschikbare bewijs.

De resultaten van deze aanpak werden getest over een breed scala aan signaalsterktes, van zeer zwakke signalen die nauwelijks detecteerbaar zijn tot sterke, heldere transmissies. De onderzoekers ontdekten dat hun dual-branch methode een algehele herkenningsnauwkeurigheid van 86,1% bereikte over het gehele testbereik. Deze prestatie was bijzonder indrukwekkend in de situaties met lage signaalsterkte die normaal gesproken andere systemen zouden verslaan. In het kritieke bereik waar signalen zwak zijn, specifiek tussen -8 dB en 0 dB, bereikte de nieuwe methode een gemiddelde herkenningsgraad van 71,8%. Dit is een significante verbetering ten opzichte van bestaande modellen, die moeite hadden om vergelijkbare nauwkeurigheidsniveaus te bereiken zonder het voordeel van deze gespecialiseerde tweetraps architectuur. De studie toonde aan dat terwijl een enkel, eenvoudig netwerk de gemakkelijke signalen goed kon identificeren, het rampzalig faalde bij de complexe signalen. Omgekeerd was het gespecialiseerde netwerk alleen uitstekend in de complexe signalen, maar raakte in de war door de simpelere signalen. Alleen door de twee samen te voegen, bereikte het systeem een balans die werkte voor alle twaalf geteste typen signalen, inclusen diverse vormen van fase- en amplitudemodulatie.

De onderzoekers vergeleken hun methode ook met verschillende andere toonaangevende deep learning modellen die voor deze taak worden gebruikt. In deze vergelijkingen presteerde hun aanpak consequent beter dan de anderen, met name in de omgeving met lage signaalsterkte waar het verschil in prestaties het meest uitgesproken was. De nieuwe methode was in staat om stabiliteit en nauwkeurigheid te behouden waar andere modellen een scherpe daling in hun prestaties zagen. Dit suggereert dat de strategie om de taak te scheiden in een brede, snelle screening en een diepe, gefocuste analyse een effectievere manier is om de complexiteit van real-world elektromagnetische omgevingen aan te pakken. Het systeem vereist geen complexe handmatige aanpassingen of voorkennis van de specifieke signalen, wat het aanpasbaar maakt aan veranderende omstandigheden. Door succesvol te onderscheiden tussen signalen die gemakkelijk met elkaar verward kunnen worden, zelfs wanneer ze zwak zijn, biedt dit onderzoek een betrouwbaarder instrument voor het begrijpen van de onzichtbare wereld van radiocommunicatie. Het demonstreert dat door een mensachtig proces van snel scannen gevolgd door zorgvuldige inspectie na te bootsen, machines veel beter kunnen worden in het horen van het signaal door de ruis heen.