Кафедра «Автоматизированные системы управления» МАДИ представила метод XAMC — объяснимый автоматический классификатор модуляции радиосигналов. Разработка предназначена для систем радиомониторинга, когнитивного радио и адаптивной связи.
В современных системах управления транспортной инфраструктурой, где цена ошибки традиционно высока, особую роль играет доверие оператора к автоматике. Глубокие нейронные сети показывают высокую точность распознавания сигналов, однако работают по принципу «черного ящика», не предоставляя информации о логике принятия решений. Новый метод решает эту задачу, делая работу искусственного интеллекта прозрачной, понятной и верифицируемой для инженеров.
Метод XAMC использует комбинированный подход к анализу данных. Из исходного радиосигнала извлекаются классические физические параметры цифровой обработки, среди которых фазовые состояния, структура созвездия, вариация огибающей, спектральная энтропия и статистические моменты высших порядков. Эти числовые характеристики преобразуются в инженерно-интерпретируемые «концепт-токены» и подаются на вход NLP-подобному классификатору. В результате система выдает не только метку класса модуляции, но и текстовое описание физических признаков, послуживших основанием для вывода. Например, для сигнала QPSK модель укажет на наличие четырех стабильных фазовых областей и одного амплитудного кольца; для 16QAM отметит несколько уровней амплитуды и непостоянную огибающую. Если в эфире появляется нестандартный сигнал (например, OFDM), система зафиксирует высокую спектральную энтропию и низкую автокорреляцию, корректно отнеся его к категории неизвестных.
Эффективность метода подтверждена на корпусе из шести классов модуляции (BPSK, QPSK, 8PSK, 16QAM, 64QAM, GFSK) при отношении сигнал/шум от −10 до +10 дБ. Точность классификации достигла 90,1% в благоприятных условиях и сохранилась на уровне 67,9% при сильном зашумлении, а интегральный показатель качества macro-F1 составил 67,6%. При этом способность алгоритма выявлять принципиально новые, неизвестные сигналы (метрика open-set AUROC) достигла 83,2%, что значительно превосходит результаты классических алгоритмов машинного обучения, таких как SVM и MLP.
Ключевое преимущество XAMC заключается в обеспечении полной аудируемости процесса классификации. Инженер-оператор получает возможность в реальном времени проверять решения системы, убеждаясь в соответствии между выданной меткой и фактическими физическими признаками сигнала. Это создает надежный фундамент для внедрения автоматизированных комплексов в транспортно-дорожном комплексе, выстраивая полноценное доверие между человеком и машиной.
Представленное исследование открывает широкие возможности для эволюции систем когнитивного радио. Текущий этап валидации успешно пройден на синтетических наборах данных, что доказало высокую жизнеспособность концепции. Дальнейшее масштабирование проекта предполагает адаптацию алгоритма для работы с реальными эфирными записями (over-the-air) и тестирование в условиях многолучевого затухания сигнала, что станет закономерным шагом к полноценному промышленному внедрению технологии.
Результаты работы опубликованы в базе IEEE Xplore по материалам конференции SYNCHROINFO 2026
Источник: Минобрнауки России
