Clasificación automática en tiempo real de modulaciones OTA usando CNN-1D residual para sensado espectral

Abstract

La clasificación automática de modulaciones es una etapa clave en los sistemas de radio inteligente y el monitoreo del espectro radioeléctrico, donde debe identificarse la modulación de una señal sin disponer de información previa del transmisor. La mayor parte de los trabajos publicados emplea conjuntos de datos sintéticos, que no reproducen las imperfecciones del hardware ni las condiciones reales del canal. Este trabajo desarrolla un sistema de clasificación de modulaciones en tiempo real a partir de señales capturadas Over-The-Air mediante radio definida por software. Con un Pluto+ SDR como transmisor y un RTL-SDR como receptor se construyó un conjunto de datos balanceado de 55 000 ventanas I/Q distribuidas en once clases y validadas mediante un procedimiento de tres etapas. Sobre él se entrenó AMCNet, una red neuronal convolucional unidimensional con bloques residuales, invariante al desplazamiento de frecuencia de portadora, que se exportó al formato ONNX y se integró en una aplicación de escritorio en C++ de sensado espectral. El modelo alcanzó una exactitud del 100 % en el conjunto interno de prueba y clasificó correctamente las noventa transmisiones de la validación funcional. La exactitud superó el 99 % para relaciones señal-ruido iguales o superiores a 5 dB y se degradó de forma abrupta por debajo de ese nivel. La aplicación operó con un consumo aproximado del 30 % de CPU y 25 MB de memoria en un equipo de dos núcleos sin GPU dedicada, lo que confirma la viabilidad de aplicar aprendizaje profundo a la clasificación de modulaciones reales sobre hardware de bajo costo.