Automatic modulation classification for software defined radios : a deep learning approach

Abstract

The exponential growth of wireless communications, driven by technologies such as 5G, 6G, and the Internet of Things (IoT), has led to unprecedented radio spectrum congestion. In this environment, Automatic Modulation Classification (AMC) has emerged as a critical technology for intelligent and adaptive spectrum management. However, the practical implementation of Deep Learning (DL) models, which dominate the state of the art, is hindered by three fundamental challenges: their high computational complexity, their lack of robustness to dynamic channel conditions, and their "black-box" nature, which limits their reliability in critical applications. This document presents a comprehensive solution to these challenges: an AMC pipeline based on a novel lightweight neural network architecture, named ComplexMobileNet-AMC. To address robustness, the pipeline incorporates an adaptive pre-processing stage based on Random Fourier Features (RFF) for signal reconstruction and a modulation-aware, stochastic data augmentation strategy. For efficiency, the model architecture combines complex-valued convolutions, depthwise separable blocks, and self-attention mechanisms to minimize computational load without sacrificing accuracy. Finally, for interpretability, an "interpretable-by-design" approach is adopted, using the model’s internal attention weights to generate physics-grounded explanations in the time, phase, and frequency domains. Experimental results demonstrate that the proposed model is not only competitive with stateof-the-art architectures in terms of accuracy but significantly surpasses them in efficiency. In deployments on edge hardware such as Software-Defined Radios (SDR) and devices like the NVIDIA Jetson Nano, the model is between 2 and 6 times faster than reference models. The interpretability analysis confirms that the model learns to identify physically relevant features, such as the symbol rate of digital modulations. The entire system is validated in a functional over-the-air (OTA) transmission and reception prototype with a real-time monitoring GUI. This holistic approach positions the proposed solution as a robust, efficient, and transparent methodology for the practical deployment of AMC in next-generation communication systems.

El crecimiento exponencial de las comunicaciones inalámbricas, impulsado por tecnologías como 5G, 6G y el Internet of Things (IoT), ha generado una congestión sin precedentes en el espectro radioeléctrico. En este entorno, la Automatic Modulation Classification (AMC) se ha convertido en una tecnología crítica para la gestión inteligente y adaptativa del espectro. Sin embargo, la implementación práctica de los modelos de Deep Learning (DL), que dominan el estado del arte, se ve obstaculizada por tres desafíos fundamentales: su elevada complejidad computacional, su falta de robustez ante las condiciones dinámicas del canal y su naturaleza de "caja negra", que limita su fiabilidad en aplicaciones críticas. Este documento presenta una solución integral a estos desafíos: un pipeline de AMC basado en una novedosa arquitectura de red neuronal ligera, denominada ComplexMobileNet-AMC. Para abordar la robustez, el pipeline incorpora una etapa de pre-procesamiento adaptativo basado en Random Fourier Features (RFF) para la reconstrucción de la señal y una estrategia de aumento de datos estocástico y consciente de la modulación. Para la eficiencia, la arquitectura del modelo combina convoluciones de valores complejos, bloques separables en profundidad y mecanismos de auto-atención para minimizar la carga computacional sin sacrificar la precisión. Finalmente, para la interpretabilidad, se adopta un enfoque "interpretable por diseño", utilizando los pesos de atención internos del modelo para generar explicaciones físicamente fundamentadas en los dominios del tiempo, la fase y la frecuencia. Los resultados experimentales demuestran que el modelo propuesto no solo es competitivo con arquitecturas de última generación en términos de precisión, sino que las supera significativamente en eficiencia. En despliegues sobre hardware de borde como Software-Defined Radios (SDR) y dispositivos como la NVIDIA Jetson Nano, el modelo es entre 2 y 6 veces más rápido que los modelos de referencia. El análisis de interpretabilidad confirma que el modelo aprende a identificar características físicamente relevantes, como la tasa de símbolo de las modulaciones digitales. El sistema completo se valida en un prototipo funcional de transmisión y recepción over-the-air (OTA) con una GUI de monitoreo en tiempo real. Este enfoque holístico posiciona la solución propuesta como una metodología robusta, eficiente y transparente para el despliegue práctico de AMC en sistemas de comunicación de próxima generación.