基于深度学习的自动调制识别（含代码链接）
| 阿里云国内75折 回扣 微信号：monov8 |
| 阿里云国际，腾讯云国际，低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号：monov8 飞机：@monov6 |
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。
相关的代码和说明可以在github上找到https://github.com/Richardzhangxx/AMR-Benchmark