Dentro del campo en constante expansión del aprendizaje automático (ML), se encuentran nuevas aplicaciones prácticas en casi todas partes. Este estudio explora si la demodulación basada en ML puede ser utilizada como una alternativa a los receptores de radio de modulación de frecuencia (FM) convencionales, especialmente en condiciones de canal no ideales. Específicamente, se propone una arquitectura de red neuronal convolucional para la regresión para demodular señales de FM representadas por sus componentes en fase y cuadratura. Se utiliza un conjunto de datos sintético de señales de FM en banda base, cubriendo de 20 Hz a 20 kHz y aumentado con una variedad de perturbaciones típicas de señales, para entrenar el modelo. Las pruebas muestran que, cuando la relación señal-ruido (SNR) de la señal entrante es de 10 dB o menos (la región de umbral de FM), el modelo de ML eleva la SNR de salida hasta 6 dB y reduce el error cuadrático medio en un orden de magnitud en comparación con el método convencional. Las pruebas de escucha con 10 sujetos corroboran estas ganancias numéricas. Debido a que el modelo funciona en tiempo real en un CPU de computadora portátil, la demodulación basada en ML podría ofrecer una ruta práctica hacia una recepción de FM más robusta en canales ruidosos o adversos.
Karlsson et al. (Wed,) estudiaron esta cuestión.