基于深度学习的自动调制识别(含代码链接)

这篇具有很好参考价值的文章主要介绍了基于深度学习的自动调制识别(含代码链接)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

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

深度学习调制识别 博客,深度学习,人工智能,github,物联网,tensorflow

三、准确率曲线

深度学习调制识别 博客,深度学习,人工智能,github,物联网,tensorflow

 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

深度学习调制识别 博客,深度学习,人工智能,github,物联网,tensorflow 

五、混淆矩阵对比

深度学习调制识别 博客,深度学习,人工智能,github,物联网,tensorflow

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。)

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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包