📘 《AI 時代系列（6）：進階通訊工程——邁向2035年太空星鏈網路時代》
📘 第 9周: 🤖 AI-native Network：RAN × Core × NTN 的智慧大腦
未來 6G 的核心章節
84／150單元： 調變識別 AI 🔍自動判斷調變方式（AI-driven Modulation Classification, AMC）
________________________________________
🎯 單元導讀
在傳統無線通訊中，調變方式（Modulation Scheme）通常是：
• 由通訊協定事先定義
• 由 UE / gNodeB 在訊號中明講（explicit signaling）
• MAC / PHY 層會帶 metadata（如 MCS index）
但在 非合作式通訊（non-cooperative）、干擾判斷、頻譜監聽、以及 6G AI-native RAN 中，有一個重要任務：
⭐ 接收端必須「自動判斷」對方使用的是哪一種調變：
BPSK / QPSK / 16QAM / 64QAM / 256QAM …
AI 在這裡的角色就是：
📌 用深度學習直接從 IQ 訊號（complex baseband）判斷調變方式
📌 不需要 metadata
📌 不需要先做 channel estimation
📌 不需要同步 → AI 自己補償
📌 抗雜訊能力比經典方法好
因此，AI 調變識別（AMC） 已經成為：
✔ 軍用電子戰
✔ 6G 頻譜共享（spectrum sharing）
✔ CR（Cognitive Radio）
✔ SDR / Open RAN 自動化
✔ NTN 衛星頻譜監測
✔ IoT 弱訊號調變判別
的核心技術。
________________________________________
🧠 一、什麼是 AI 調變識別（AMC）？
________________________________________
AMC 的目標：
👉 從接收到的 IQ 基帶訊號，判斷調變方式。
輸入是：
• IQ samples（I + Q）
• 或 constellation（星座圖）
• 或 spectrum
• 或 time-frequency domain（STFT）
輸出是：
👉 Modulation class（分類問題）
例如：
• BPSK
• QPSK
• 8PSK
• 16QAM
• 64QAM
• 256QAM
• OFDM-based QAM
• QAM variant（probabilistic shaping）
在 6G 中，AI 會直接吃：
• fading channel
• Doppler
• phase noise
• CFO（Carrier Frequency Offset）
• frequency-selective fading
AI 自己補償。
________________________________________
🧠 二、傳統調變識別 vs AI
________________________________________
❌ 傳統方法：特徵工程（Feature-based）
需要人工特徵：
✓ 星座點距離
✓ 高階統計量（HOS）
✓ 瞬時振幅/相位特性
✓ FFT peak
✓ cyclic feature
缺點：
✘ 需同步
✘ 對 fading 非常敏感
✘ multipath 會破壞特徵
✘ 少量噪聲就失效
________________________________________
⭐ AI 方法：直接吃 raw signal
AI 吃：
• raw IQ
• STFT
• constellation image
• spectrogram
優點：
✔ 不需要同步
✔ 不需要 channel estimation
✔ 能自動學到 Doppler / fading 的行為
✔ 雜訊、遮蔽、移動環境表現更強
✔ NTN / UAV / 高鐵環境可用
✔ 支援「大規模調變分類」
這就是 6G 為什麼必須使用 AI 的原因。
________________________________________
🧠 三、三大 AI 調變識別架構
________________________________________
⭐（1）CNN（2D image-based）
將星座圖當「圖片」分類
流程：
(1) 將 IQ → constellation
(2) 當作一張 2D 圖片
(3) CNN 做分類
優點：
✔ 直覺，容易訓練
✔ 適用於固定通道、低速場景
缺點：
✘ 在 fading + high mobility 中，星座圖會扭曲
✘ CNN performance 不穩定
________________________________________
⭐（2）RNN / LSTM（時域序列模型）
輸入：IQ sequence
優點：
✔ 能記住序列中的相位演進
✔ 抗相位噪聲
✔ 抗 CFO
✔ 適合高速移動（V2X、高鐵、LEO）
LSTM的序列特性完美處理：
• Doppler
• timing offset
• pilot distortion
• channel memory
________________________________________
⭐（3）Transformer（6G AMC 的主流）
Transformer 吃 IQ sequence：
✔ 長程記憶
✔ attention 記錄 multipath cluster
✔ 同時看時間 + 頻率
✔ 在 fading + Doppler 場景遠超 CNN/LSTM
✔ 可做 zero-shot learning（未見過的調變也辨識）
未來 6G AI-native RAN 會普遍使用：
⭐ Frequency-domain Transformer
⭐ Complex Transformer
⭐ Multi-domain Transformer (TFD-transformer)
________________________________________
🛰 四、AI AMC × 衛星 NTN
NTN（Non-Terrestrial Network）調變難度更高：
LEO 衛星 =
• 大 Doppler
• 大頻偏
• long multipath（經大地反射）
• phase distortion
• SNR 波動
傳統方法完全失效。
AI 好處：
✔ 能從 noisy IQ 直接學到調變 fingerprint
✔ 能在衛星高速移動下辨識調變
✔ 可辨識非標準調變（military waveforms）
✔ 可用於 spectrum sensing 與 interference hunting
這對：
• Starlink
• OneWeb
• 6G Direct-to-Device
• UAV 航空網路
• 海洋通訊
都極度重要。
________________________________________
🧠 五、AI AMC 的數學本質
AI AMC 在逼近：
argmax_mod p(M | y, h, n)
其中：
• M = 調變類別
• y = 接收端訊號
• h = 通道
• n = 雜訊
傳統通訊要做：
• ML detection
• likelihood estimation
• 估 h、補償 CFO、equalization
AI：
⭐ 直接學 p(M | y)
⭐ h 與 n 的 effect → 內化進網路
這就是 AI-native PHY 的最大突破。
________________________________________
📈 六、ASCII 圖：AI AMC 架構
IQ Samples (complex)
│
▼
┌───────────────────┐
│ AI Classifier │
│ CNN / LSTM / TF │
└──────────┬────────┘
▼
調變方式 (Modulation)
BPSK / QPSK / 16QAM / ...
這張 AI AMC（Automatic Modulation Classification）架構圖說明：接收端先取得 複數 IQ Samples，直接輸入 AI 分類模型（如 CNN、LSTM 或 Transformer），由模型自動學習訊號的時域、頻域與統計特徵，進而判斷目前的調變方式（BPSK、QPSK、16QAM 等）。相較傳統以人工特徵與門檻判斷的 AMC，AI 方法能在低 SNR、非理想通道與時變環境下維持較高辨識率，特別適合 5G/6G、LEO 與高度動態通訊場景。
________________________________________
🧩 七、模擬題
________________________________________
1️⃣ 專業題
為什麼 AI 調變識別不需要同步？
📦 答：
因為 AI 會自動從序列中學習相位漂移、頻偏、時間偏移等通道特性，因此不需額外同步程序。
________________________________________
2️⃣ 應用題
在高速移動（高鐵、高速公路）中，哪種模型最適合 AMC？
A. CNN
B. LSTM / GRU ✔
C. PCA
D. Reed-Solomon
👉 高速移動場景下通道快速時變，調變特徵具有時間序列關聯性，LSTM／GRU 能有效建模時序變化，提升 AMC 穩定度與準確率。
________________________________________
3️⃣ 情境題
在 LEO NTN 中，調變識別最難的是哪個因素？
A. 天線太少
B. Doppler shift 超大 ✔
C. UE 功率太高
D. OFDM 不支援
👉 LEO 衛星高速移動造成極大的 Doppler shift 與頻偏，嚴重扭曲 IQ 特徵，使調變識別變得最困難。
________________________________________
🛠 八、實務演練題
1️⃣ 用 CNN 比較不同調變（QPSK vs 16QAM）的星座圖分類
2️⃣ 用 LSTM 訓練 AMC 模型，觀察 Doppler 的影響
3️⃣ 用 Transformer 做 wideband AMC
4️⃣ 在 multipath + fading + phase noise 下訓練模型
5️⃣ 設計一個「zero-shot AMC」
→ 讓模型觀察未見過的調變也能分群
________________________________________
✅ 九、小結：AI AMC 是 6G 頻譜智慧化的核心能力
✔ 自動判斷調變，不需 metadata
✔ 能在弱訊號 / 雜訊中做分類
✔ 在高速移動、NTN、V2X 環境仍有效
✔ 讓基站能即時做 spectrum sensing
✔ 成為 6G Cognitive Radio 的關鍵
一句話：
⭐ AI 調變識別（AMC）是 6G RAN 的「眼睛」，
讓基地台能看懂所有訊號，不管是不是它的。
