Real-Time Automatic Modulation Classification Using Deep Learning on Software-Defined Radio Testbeds

Öz

Automatic Modulation Classification (AMC) plays a critical role in cognitive radio and spectrum monitoring applications. Although deep learning (DL) techniques have demonstrated strong performance in AMC, most existing studies are confined to simulation-based evaluations. This work addresses this limitation by presenting an end-to-end, real-time AMC system implemented on Software-Defined Radios (SDRs). A dual-USRP testbed is employed for over-the-air (OTA) transmission and reception of four digital modulation schemes: QPSK, 8PSK, 16QAM, and 64QAM. Rather than relying on raw in-phase and quadrature (I/Q) samples, the proposed system adopts a feature engineering strategy based on robust higher-order cumulants (up to sixth order) and phase-domain statistical features. Three deep learning architectures—Multilayer Perceptron (MLP), Convolutional Neural Network (CNN), and Residual Network (ResNet)—are trained and evaluated under real-time OTA conditions. Experimental results reveal that the MLP model achieves the most balanced and consistent performance across all modulation types, exceeding 90% classification accuracy in real-time operation with an inference latency below 1 ms. While the CNN exhibits strong performance for PSK modulations, and the ResNet achieves the highest accuracy for QPSK, the MLP attains peak accuracies of 98.6% for 64QAM and 98.2% for 8PSK. These results demonstrate the robustness of the proposed system to real-world channel impairments and highlight its suitability for practical deployment in intelligent wireless communication systems.

Anahtar Kelimeler

• Automatic Modulation Classification
• Deep Learning
• Software-Defined Radio
• Higher-Order Cumulants
• Real-Time Implementation

Yazılım Tabanlı Radyo Test Düzenekleri Üzerinde Derin Öğrenme Kullanılarak Gerçek Zamanlı Otomatik Modülasyon Sınıflandırması

Öz

Otomatik Modülasyon Sınıflandırması (Automatic Modulation Classification, AMC), bilişsel radyo ve spektrum izleme uygulamalarında kritik bir rol oynamaktadır. Derin öğrenme (Deep Learning, DL) teknikleri AMC alanında yüksek başarı göstermiş olsa da, mevcut çalışmaların büyük bir bölümü benzetim (simülasyon) tabanlı değerlendirmelerle sınırlıdır. Bu çalışma, bu sınırlılığı aşarak Yazılım Tabanlı Radyolar (Software-Defined Radios, SDR) üzerinde gerçekleştirilen uçtan uca, gerçek zamanlı bir AMC sistemi sunmaktadır. Çift USRP tabanlı bir test düzeneği kullanılarak dört farklı sayısal modülasyon türünün (QPSK, 8PSK, 16QAM ve 64QAM) havadan iletim (over-the-air, OTA) yoluyla gönderimi ve alımı gerçekleştirilmiştir. Ham faz-içi ve faz-dışı (in-phase and quadrature, I/Q) örnekler yerine, altıncı mertebeye kadar sağlam yüksek dereceli kümülanlar ve faz alanı istatistiklerine dayalı bir özellik çıkarım yaklaşımı önerilmiştir. Çok Katmanlı Algılayıcı (Multilayer Perceptron, MLP), Evrişimli Sinir Ağı (Convolutional Neural Network, CNN) ve Artık Ağ (Residual Network, ResNet) olmak üzere üç farklı derin öğrenme mimarisi gerçek zamanlı OTA koşulları altında eğitilmiş ve değerlendirilmiştir. Deneysel sonuçlar, MLP modelinin tüm modülasyon türleri genelinde en dengeli ve tutarlı performansı sergilediğini, gerçek zamanlı çalışmada %90’ın üzerinde sınıflandırma doğruluğuna ve 1 ms’nin altında çıkarım gecikmesine ulaştığını göstermektedir. CNN modeli PSK tabanlı modülasyonlarda yüksek başarı sağlarken, ResNet mimarisi QPSK için en yüksek doğruluğa ulaşmıştır. Buna karşılık, MLP modeli 64QAM için %98,6 ve 8PSK için %98,2 doğruluk oranlarıyla en yüksek tepe performanslarını elde etmiştir. Elde edilen sonuçlar, önerilen sistemin gerçek dünya kanal bozulmalarına karşı dayanıklılığını ortaya koymakta ve akıllı kablosuz haberleşme sistemlerinde pratik olarak uygulanabilir bir çözüm sunduğunu göstermektedir.

Anahtar Kelimeler

• Otomatik Modülasyon Sınıflandırması
• Derin Öğrenme
• Yazılım Tabanlı Radyo
• Yüksek Dereceli Kümülanlar; Gerçek Zamanlı Uygulama

Kaynakça

1. O'Shea TJ, Corgan J, Clancy TC. Convolutional Radio Modulation Recognition Networks. arXiv preprint arXiv:1602.04105; 2016.
2. Azzouz EE, Nandi AK. Automatic modulation recognition of communication signals. Springer Science & Business Media; 1995.
3. Huynh-The T, Pham QV, Nguyen TV, et al. Automatic Modulation Classification: A Deep Architecture Survey. IEEE Access 2021;9:142950-142971. doi:10.1109/ACCESS.2021.3120419.
4. Peng S, Sun S, Yao YD. A Survey of Modulation Classification Using Deep Learning: Signal Representation and Data Preprocessing. IEEE Transactions on Neural Networks and Learning Systems 2022;33(12):7020-7038. doi:10.1109/TNNLS.2021.3085433.
5. Rajendran S, Meert W, Giustiniano D, Lenders V, Pollin S. Deep learning models for wireless signal classification with distributed low-cost spectrum sensors. IEEE Transactions on Cognitive Communications and Networking 2018;4(3):433-445. doi:10.1109/TCCN.2018.2835460.
6. West NE, O'Shea TJ. Deep Architectures for Modulation Recognition. In: IEEE Dynamic Spectrum Access Networks (DySPAN); 2017.
7. O'Shea TJ, Roy T, Clancy TC. Over-the-Air Deep Learning Based Radio Signal Classification. IEEE Journal on Selected Topics in Signal Processing 2018;12(1):168-179. doi:10.1109/JSTSP.2018.2797022.
8. O'Shea T, Tech V, Hoydis J. An Introduction to Machine Learning Communications Systems. arXiv preprint arXiv:1702.00832; 2017.

9. Arjun KR, Surekha TP. Over-the-Air Modulation Classification using Deep Learning in Fading Channels for Cognitive Radio. Indian Journal of Science and Technology 2021;14(46):3360-3369. doi:10.17485/IJST/v14i46.2073.
10. Peng S, Sun S, Yao YD. A Survey of Modulation Classification Using Deep Learning: Signal Representation and Data Preprocessing. IEEE Transactions on Neural Networks and Learning Systems 2022;33(12):7020-7038. doi:10.1109/TNNLS.2021.3085433.
11. Ghasemi S. Otomatik modülasyon tanıma için etkili bir algoritma [Master's thesis]. Karadeniz Teknik Üniversitesi Fen Bilimleri Enstitüsü; 2014.
12. Lee SH, Kim KY, Shin Y. Effective feature selection method for deep learning-based automatic modulation classification scheme using higher-order statistics. Applied Sciences 2020;10(2):588. doi:10.3390/app10020588.
13. Kim SH, Kim JW, Nwadiugwu WP, Kim DS. Deep Learning-Based Robust Automatic Modulation Classification for Cognitive Radio Networks. IEEE Access 2021;9:92386-92393. doi:10.1109/ACCESS.2021.3091421.
14. Çalışır B. Radyo Haberleşmesinde Evrişimli Sinir Ağı Kullanılarak Yapılan Modülasyon Sınıflandırması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2022;34(2):867-877. doi:10.35234/fumbd.1141515.