Within the ever-expanding field of machine-learning (ML), new practical applications are found nearly everywhere. This study explores if ML-based demodulation can be used as an alternative to conventional frequency-modulation (FM) radio receivers, especially under non-ideal channel conditions. Specifically, a convolutional neural network architecture for regression is proposed to demodulate FM signals represented by their in-phase and quadrature components.  A synthetic dataset of base-band FM signals, covering 20 Hz–20 kHz and augmented with a variety of typical signal disturbances, is used to train the model. Tests show that, when the incoming signal-to-noise ratio (SNR) is 10 dB or lower (the FM threshold region), the ML-model raises output SNR by up to 6 dB and reduces mean-squared error by an order of magnitude compared with the conventional method. Listening tests with 10 subjects corroborate these numerical gains. Because the model runs in real-time on a laptop CPU, ML-based demodulation could offer a practical route to more robust FM reception in noisy or adverse channels.

Inom det ständigt växande fältet för maskininlärning (ML) upptäcks nya användningsområden nästintill överallt. I denna studie utforskas möjligheten att använda ML-baserad demodulering som alternativ till konventionella radiomottagare för frekvensmodulerade (FM) radiosignaler, särskilt i fall med icke-ideala signalförhållanden. Specifikt föreslås en konvolutionell neuronnätsarkitektur för regression för att demodulera FM-signaler representerade av deras i-fas och kvadratur-komponenter. En syntetiskt datamängd med basbands FM-signaler, som täcker frekvenser mellan 20 Hz–20 kHz och som även förvrängs med typiska störningar, används för att träna ML-modellen. Tester visar att när den inkommande signalen har ett signal-till-brus förhållande (SNR) lägre än 10 dB så ökar ML-modellen utsignalens SNR med upp till 6 dB och minskar minsta-kvadrat-felet (MSE) med cirka en storleksordning jämfört med den konventionella metoden. Lyssningstest med 10 personer bekräftar de numeriska resultaten. Eftersom modellen kan köras i realtid med en laptop-CPU så kan ML-baserad demodulering erbjuda en praktisk väg till en mer robust FM-mottagning i svårare kanalförhållanden.