AMR领域具有代表性的新模型在四个不同的数据集(RML2016.10a, RML2016.10b, RML2018.01a, HisarMod2019.1)上的实现,为感兴趣的研究人员提供统一的参考。
Digital signal processing论文链接:https://www.sciencedirect.com/science/article/pii/S1051200422002676
Arxiv链接:https://arxiv.org/abs/2207.09647
一、摘要
自动调制识别(AMR)检测接收到的信号的调制方案,以便进一步处理信号,而不需要事先的信息,并在这种信息缺失时提供基本功能。最近在深度学习(DL)方面的突破为开发用于通信系统的高性能DL-AMR方法奠定了基础。与传统的调制检测方法相比,由于深度神经网络强大的特征提取和分类能力,DL-AMR方法已经取得了很好的性能,包括高识别精度和低错误率。尽管潜力巨大,但DL-AMR方法也带来了复杂性和可解释性方面的问题,这影响了在无线通信系统中的实际部署。本文旨在对当前的DL-AMR研究进行回顾,重点是适当的DL模型和基准数据集。我们进一步提供全面的实验,从准确性和复杂性的角度比较单输入单输出(SISO)系统的最新模型,并建议在新的包含预编码的多输入多输出(MIMO)情况下应用DL-AMR。最后,讨论了现有的挑战和未来可能的研究方向。
二、数据集
三、准确率曲线
图1 (a),(b),(c),(d)分别是在RML2016.10a, RML2016.10b, RML2018.01a, HisarMod2019.1上的准确率
四、训练开销对比
表1 在四个数据集上的模型大小和训练开销对比
五、混淆矩阵对比
图2 14个模型在四个不同数据集上的混淆矩阵对比(A,B,C,D分别代表四个数据集)
六、备注
如果以上内容对您的研究有帮助的话,请引用我们的文章,如果文章里面涉及到的方法对您的研究有帮助,也请引用他们的文章。(文章中复现的模型都是按照我们的理解,对文章中给出的模型进行复现的结果,可能和原文章有一些差异。)文章来源:https://www.toymoban.com/news/detail-781940.html
相关的代码和说明可以在github上找到:https://github.com/Richardzhangxx/AMR-Benchmark文章来源地址https://www.toymoban.com/news/detail-781940.html
到了这里,关于基于深度学习的自动调制识别(含代码链接)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!