Hybrid‑CNN‑LSTM erkennt drahtlose Modulationen mit 93,5 % Genauigkeit

Die automatische Modulationsklassifikation (AMC) ist ein zentrales Element moderner Funknetzwerke, das es ermöglicht, Modulationsschemata ohne Vorwissen zu identifizieren. In einer neuen Studie wurde ein hybrides Modell aus Convolutional Neural Network (CNN) und Long Short‑Term Memory (LSTM) vorgestellt, das diese Aufgabe mit beeindruckender Präzision erfüllt.

Das System kombiniert die räumliche Merkmalextraktion von CNNs mit der Fähigkeit von LSTMs, zeitliche Abhängigkeiten zu erfassen. Durch die Integration in eine Software‑Defined‑Radio‑Plattform (SDR) kann das Modell Echtzeit‑Signale verarbeiten und dabei sowohl die Form als auch die zeitliche Struktur der Übertragung berücksichtigen.

Zur Validierung wurden drahtlose Signale von einem selbstgebauten FM‑Sender sowie weitere Modulationsarten über die Luft (OTA) erfasst. Das Trainingsset setzte sich aus dem RadioML2018‑Datensatz und einer eigenen, synthetisch generierten Datenbank zusammen, die Signal‑zu‑Rausch‑Verhältnisse (SNR) von 0 bis 30 dB abdeckte. Das Modell wurde auf dieser Mischung trainiert und anschließend auf realen OTA‑Signalen getestet.

Die Ergebnisse sind überzeugend: Das optimierte Modell erreichte 93,48 % Genauigkeit, 93,53 % Präzision, 93,48 % Rückruf und einen F1‑Score von 93,45 %. Zusätzlich zeigte die Analyse der Area Under the Receiver Operating Characteristic Curve (AUC‑ROC) eine starke Trennkraft, selbst bei stark verrauschten Bedingungen. Diese Kennzahlen belegen die Effektivität der hybriden CNN‑LSTM‑Architektur für AMC.

Die Studie unterstreicht das Potenzial dieser Technologie für adaptive Spektrumverwaltung, kognitive Radios und intelligente Kommunikationsnetzwerke. Mit ihrer hohen Genauigkeit und Robustheit bietet das Modell eine solide Grundlage für die Weiterentwicklung zukünftiger drahtloser Systeme.