KI-gestützte Rauschunterdrückung: Sauberere Signale dank Machine Learning

Rauschen ist der ewige Feind des Funkers. Ob QRM (menschengemachte Störungen) oder QRN (natürliches Rauschen) — der Kampf um saubere Signale ist so alt wie der Amateurfunk selbst. Doch seit einigen Jahren revolutioniert künstliche Intelligenz die Signalverarbeitung: Neuronale Netze erkennen und entfernen Störungen in Echtzeit, wo klassische Filter an ihre Grenzen stoßen.

Klassische vs. KI-basierte Rauschunterdrückung

Traditionelle Methoden der Rauschunterdrückung im Amateurfunk sind seit Jahrzehnten bewährt:

• Noise Blanker (NB): Erkennt und unterdrückt impulsartige Störungen (Zündkerzen, Schaltnetzteile). Schnell, aber nur bei Impulsstörungen wirksam.
• Noise Reduction (NR/DNR): Digitale Rauschunterdrückung in modernen Transceivern. Analysiert das Signal im Frequenzbereich und reduziert breitbandiges Rauschen. Funktioniert gut bei SSB, kann aber bei starkem Rauschen das Signal verzerren.
• Notch-Filter: Entfernt schmalbandige Störer (Träger, Pfeiftöne). Automatische Notch-Filter scannen das Band und eliminieren störende Töne.
• DSP-Filter: Bandpassfilter, die das empfangene Signal auf die nötige Bandbreite einschränken (z.B. 300 Hz für CW, 2,4 kHz für SSB).

Diese Methoden sind regelbasiert: Sie kennen feste Muster und reagieren entsprechend. KI-basierte Systeme lernen dagegen aus Daten — sie erkennen Störungen, die kein Regelwerk vorhersehen kann.

Wie funktioniert KI-Rauschunterdrückung?

KI-basierte Rauschunterdrückung nutzt neuronale Netze — mathematische Modelle, die am menschlichen Gehirn inspiriert sind. Der Ablauf:

1. Training: Das Netz wird mit Tausenden Beispielen trainiert — saubere Signale (Sprache, CW, Daten) werden mit verschiedenen Rauschtypen überlagert. Das Netz lernt, das Nutzsignal vom Rauschen zu trennen.
2. Inferenz: Im Betrieb analysiert das trainierte Netz das empfangene Signal in Echtzeit und gibt ein entrauschtes Signal aus. Das Ganze passiert in Millisekunden.
3. Ergebnis: Das KI-entrauschte Signal klingt oft deutlich klarer als mit klassischen Filtern — besonders bei komplexen Störungen wie Powerline-Noise, LED-Rauschen oder überlappenden Signalen.

Der entscheidende Vorteil: KI-Systeme können zwischen Nutzsignal und Rauschen unterscheiden, auch wenn sich beide im gleichen Frequenzbereich befinden. Ein klassischer Bandpassfilter kann das nicht — er schneidet alles weg, was außerhalb seiner Grenzfrequenz liegt, egal ob Signal oder Rauschen.

Software-Lösungen für den Shack

NVIDIA Broadcast / RTX Voice

NVIDIAs KI-basierte Audio-Suite wurde eigentlich für Videokonferenzen entwickelt, hat aber im Amateurfunk eine Fangemeinde gefunden. RTX Voice / NVIDIA Broadcast kann als virtuelles Audiogerät zwischen Transceiver und Lautsprecher geschaltet werden:

• Entfernt Hintergrundrauschen, Brummen und Impulsstörungen in Echtzeit
• Funktioniert mit jeder Audio-Software — einfach als Eingangsgerät wählen
• Benötigt eine NVIDIA-Grafikkarte (GTX 1650 oder höher)
• Besonders effektiv bei SSB-Empfang — Sprache bleibt klar, Rauschen verschwindet
• Kostenlos, einfache Installation

Vorsicht: RTX Voice ist auf Sprachsignale trainiert. Für CW oder Datensignale ist es nicht geeignet — die KI erkennt Morsezeichen nicht als „Nutzsignal“ und kann sie unterdrücken.

RNNoise

RNNoise ist ein Open-Source-Projekt von Mozilla, das rekurrente neuronale Netze (RNN) zur Sprachverbesserung einsetzt. Es läuft auf der CPU — keine Grafikkarte nötig — und eignet sich dadurch auch für ältere Hardware:

• Plattformübergreifend: Windows, Linux, macOS
• Sehr geringe CPU-Last
• Als PulseAudio/PipeWire-Plugin unter Linux besonders elegant einsetzbar
• Kann mit VB-Audio Virtual Cable oder ähnlicher Software als virtuelles Audiogerät eingebunden werden

SDR-Software mit KI-Denoising

Moderne SDR-Programme integrieren zunehmend KI-basierte Rauschunterdrückung. Wer einen RTL-SDR oder HackRF verwendet, profitiert von:

• SDR++: Bietet experimentelle ML-basierte Noise Reduction als Plugin
• SDRangel: Erweiterte digitale Signalverarbeitung mit zunehmender KI-Integration
• Spark SDR: Enthält KI-basierte Rauschunterdrückung speziell für Amateurfunksignale

RM Noise — KI-Rauschunterdrückung speziell für Amateurfunk

RM Noise ist ein kostenloses Projekt, das speziell für den Amateurfunk entwickelt wurde. Im Gegensatz zu NVIDIA Broadcast oder RNNoise wurde die KI gezielt auf Funksignale trainiert — sowohl SSB als auch CW. Die Software sitzt zwischen Transceiver und Lautsprecher und entfernt Rauschen in Echtzeit:

• Speziell auf Amateurfunk-Signale trainierte KI-Filter für SSB und CW
• Kostenlose Software für Windows (Mac/Linux in Entwicklung)
• Verarbeitung erfolgt über Cloud-Server — minimale lokale Rechenleistung nötig
• Filterintensität stufenlos einstellbar
• Geringe Latenz (~300 ms) — für normalen QSO-Betrieb unkritisch
• Seit 2025 auch als Web-basierter Client verfügbar

RM Noise hat sich in der Community schnell verbreitet und wird von vielen OMs als „Game Changer“ für Stationen mit hohem Störpegel bezeichnet. Besonders beeindruckend: CW-Signale, die im Rauschen untergehen, werden plötzlich klar lesbar.

Hardware mit integrierter KI

Einige Transceiver-Hersteller integrieren KI-Technologie direkt in ihre Geräte:

• Elecraft K4/K4D: Der K4 verfügt über fortschrittliche DSP-Algorithmen, die an maschinelles Lernen angelehnt sind. Die adaptive Rauschunterdrückung analysiert das Signalumfeld und passt die Filterparameter in Echtzeit an — deutlich effektiver als statische NR-Stufen.
• Icom IC-7610 / IC-7851: Die DIGI-SEL-Preselektoren und Multi-Stage-DNR in Icoms Spitzengeräten nutzen adaptive Algorithmen, die aus dem Signalumfeld lernen.
• FlexRadio FLEX-6700: SmartSDR bietet mit der „SmartNR“ eine KI-unterstützte Rauschunterdrückung, die besonders bei Sprachsignalen beeindruckende Ergebnisse liefert.

KI-Rauschunterdrückung für verschiedene Betriebsarten

SSB (Sprache)

Hier brilliert KI-NR am meisten. Neuronale Netze sind hervorragend darin, menschliche Sprache von Rauschen zu trennen — genau das, wofür sie trainiert wurden. NVIDIA Broadcast, RNNoise und kommerzielle Lösungen machen SSB-Signale bei S3-S4 klar verständlich, wo klassische NR-Stufen nur Artefakte erzeugen.

CW (Morsetelegrafie)

Für CW gibt es spezialisierte KI-Decoder, die Morsezeichen aus dem Rauschen extrahieren. Projekte wie „CW Skimmer“ und „LPCW“ nutzen neuronale Netze zur CW-Erkennung bei extrem schwachen Signalen — tiefer als das menschliche Ohr dekodieren kann.

Digitale Betriebsarten

Für FT8 und andere Datenmodi ist die Situation anders: Diese Protokolle haben ihre eigene integrierte Fehlerkorrektor und sind bereits für schwache Signale optimiert (FT8 dekodiert bis -24 dB SNR). KI-Vorfilterung kann aber helfen, wenn starke Störer im gleichen Fenster liegen und den Decoder überlasten.

Praktischer Aufbau: KI-NR im Shack

So richtest du KI-basierte Rauschunterdrückung mit NVIDIA Broadcast für SSB-Empfang ein:

1. Voraussetzung: PC mit NVIDIA-Grafikkarte (GTX 1650+), Transceiver mit Audio-Ausgang (Line-Out oder USB-Audio)
2. NVIDIA Broadcast installieren (kostenlos von nvidia.com)
3. Audio-Routing: Transceiver-Audio → Soundkarten-Eingang → NVIDIA Broadcast als „Mikrofon-Eingang“ konfigurieren → „Noise Removal“ aktivieren
4. Ausgang: NVIDIA Broadcast als Audio-Quelle in der Wiedergabe-Software oder den Lautsprechern wählen
5. Stärke einstellen: Die Aggressivität der Rauschunterdrückung lässt sich stufenlos regeln. Zu viel kann Sprachdetails schlucken, zu wenig lässt Rauschen durch.

Alternative für Linux-Nutzer: RNNoise als PipeWire-Plugin installieren und den Transceiver-Audio-Stream durch das Plugin leiten.

KI-Rauschunterdrückung beim Senden

KI-NR funktioniert nicht nur beim Empfang. Auch beim Senden kann sie eingesetzt werden, um Hintergrundgeräusche aus dem Mikrofonsignal zu entfernen — besonders nützlich im portablen Betrieb (Wind, Umgebungslärm) oder bei Contesten in lauter Umgebung.

Das Mikrofonsignal wird durch NVIDIA Broadcast oder RNNoise geleitet, bevor es an den Transceiver geht. Das Ergebnis: sauberes TX-Audio ohne Windgeräusche, Tastaturklappern oder Lüftersummen.

Grenzen der KI-Rauschunterdrückung

• Artefakte: Bei sehr aggressiver Einstellung können KI-Filter „Blubbern“ oder metallisch klingende Artefakte erzeugen.
• Latenz: KI-Verarbeitung braucht Zeit (typisch 5-20 ms). Für Echtzeit-Kommunikation meist unkritisch, für Contesting kann es stören.
• Trainingsdaten: KI-NR ist nur so gut wie ihre Trainingsdaten. Ein auf Sprache trainiertes Netz versagt bei CW; ein auf saubere Signale trainiertes Netz kämpft mit extremem QRM.
• Rechenleistung: GPU-basierte Lösungen wie NVIDIA Broadcast brauchen Grafikkarten-Power. Nicht jeder Shack-PC ist dafür ausgerüstet.
• Kein Ersatz für gute Technik: KI-NR kann keine fehlende Antenne kompensieren. Gute QRP-Antennenarbeit und konsequente EMV-Hygiene bleiben die Basis für sauberen Empfang.

Die Zukunft: KI-Integration in Amateurfunk-Software

Die Entwicklung steht erst am Anfang. In den kommenden Jahren sind zu erwarten:

• Integrierte KI in SDR-Software: Automatische Erkennung und Unterdrückung aller Störungstypen — von Impulsstörern über Brummen bis zu benachbarten Signalen
• Personalisierte Modelle: KI, die auf die spezifische Störumgebung eines Standorts trainiert wird und gezielt lokale Störer eliminiert
• Edge-KI in Transceivern: Neuronale Netze, die direkt auf dem DSP-Chip im Transceiver laufen — ohne externen PC
• KI-gestützte Ausbreitungsvorhersage: ML-Modelle, die Ausbreitungsbedingungen präziser vorhersagen als klassische VOACAP-Methoden

Mehr zum Einsatz von KI-Tools im Amateurfunk — von Lernhilfen bis zu Shack-Assistenten — findet ihr in unserem Übersichtsartikel.

KI-gestützte Rauschunterdrückung ist kein Hype — sie ist ein Werkzeug, das den Funkbetrieb spürbar verbessert. Ob NVIDIA Broadcast für den schnellen SSB-Empfang oder spezialisierte SDR-Plugins für komplexe Szenarien: Die Kombination aus klassischer Funktechnik und modernem Machine Learning bringt das Beste aus beiden Welten zusammen.

73 – eure oeradio.at-Redaktion

Quellen und weiterführende Links

• RM Noise — KI-Rauschunterdrückung speziell für Amateurfunk (kostenlos)
• NVIDIA Broadcast — KI-basierte Audio- und Video-Verbesserung (kostenlos, NVIDIA GPU erforderlich)
• RNNoise — Open-Source-Rauschunterdrückung mit rekurrenten neuronalen Netzen (Mozilla/Xiph.org)
• TheModernHam: Noise Suppression AI and Ham Radio — Übersichtsartikel
• The SWLing Post: The RMnoise Project
• VK4ZXI: Radio Applications of Deep Learning Noise Suppression

Bildnachweise

• Multi-Layer Neural Network: Wikimedia Commons, Public Domain
• Rekurrentes Neuronales Netz (RNN): Wikimedia Commons, fdeloche, CC BY-SA 4.0

---

Transparenzhinweis

Dieser Artikel wurde mit Unterstützung von KI (Claude, Anthropic) recherchiert und verfasst. Die Redaktion hat alle Inhalte überprüft und redaktionell bearbeitet. Trotz sorgfältiger Prüfung können vereinzelt Ungenauigkeiten enthalten sein — wir freuen uns über Hinweise per E-Mail an [email protected].