Neues Deep‑Learning‑Modell verbessert Modulationsklassifikation bei Rauschen

In einer aktuellen Veröffentlichung auf arXiv wird ein neues Deep‑Learning‑Modell vorgestellt, das die Klassifikation von Modulationsarten in verrauschten Signalen deutlich verbessert. Das Hauptproblem bisheriger Modelle besteht darin, dass sie bei hohen Signal‑zu‑Rausch‑Verhältnissen (SNR) gut funktionieren, aber bei niedrigeren SNR stark an Genauigkeit verlieren, weil herkömmliche Feature‑Extraktion sowohl die diskriminierenden Strukturen als auch das Rauschen unterdrückt.

Das vorgestellte Modell kombiniert einen Cross‑Channel‑Self‑Attention‑Block, der die Abhängigkeiten zwischen Inphase‑ und Quadraturkomponenten erfasst, mit dualen Deep‑Residual‑Shrinkage‑Denoising‑Blöcken, die gezielt das Rauschen reduzieren. Durch diese Kombination bleibt die Modulationsstruktur erhalten, während das Rauschen effektiv unterdrückt wird.

Die Experimente wurden mit dem RML2018.01a‑Datensatz durchgeführt, der 24 Modulationsarten und 26 SNR‑Stufen umfasst. Die Ergebnisse zeigen, dass die Tiefe der Denoising‑Schichten einen entscheidenden Einfluss auf die Robustheit bei niedrigen und mittleren SNR hat. Im Vergleich zu etablierten Modellen wie PET‑CGDNN, MCLDNN und DAE erzielte das neue Modell Verbesserungen von 3 %, 2,3 % bzw. 14 % im Bereich von –8 dB bis +2 dB.

Eine Cross‑Validation bestätigte die Stabilität des Ansatzes: die durchschnittliche Genauigkeit lag bei 62,6 %, die Makro‑Präzision bei 65,8 %, die Makro‑Recall bei 62,6 % und der Makro‑F1‑Score bei 62,9 %. Diese Zahlen unterstreichen die Leistungsfähigkeit des Modells in realen, verrauschten Szenarien.

Die Architektur formalisiert die Basisbandmodellierung als orthogonale Teilprobleme und führt Cross‑Channel‑Attention als generalisierten komplexen Interaktionsoperator ein. Ablationsstudien bestätigen, dass die feature‑preserving Denoising‑Komponente entscheidend für die Robustheit bei niedrigen bis mittleren SNR ist.