使用Transformer实现自动调制识别（RML2016a）

置顶 sinysama

已于 2024-12-30 09:22:08 修改

阅读量4.4k

点赞数

分类专栏：调制识别文章标签： transformer 深度学习人工智能

于 2023-10-07 20:48:52 首次发布

本文链接：https://blog.youkuaiyun.com/QAQIknow/article/details/133654573

版权

调制识别专栏收录该内容

9 篇文章 ¥119.90 ¥299.90

订阅专栏

本文介绍如何使用Transformer进行信号识别，针对RML2016.10a数据集，未经调参已达到90%以上的识别精度。内容包括数据读取、模型构建、训练和可视化，提供详细代码实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

应粉丝要求，本文给出大型模型Transformer的信号识别的实现方式（附代码）
基于RML2016.10a识别精度可达90%+。（由于代码直接引入，未进行调参，大家可以自行优化。）

由于设备条件有限，本文使用RML2016.10a数据集，有条件可以更改输入大小以适配其他数据集。

相关内容：

深度学习框架	Tensorflow+Keras 参考配置请点击这里
模型	相关代码
CNN/ResNet	使用CNN/ResNet实现自动调制识别(RML2018.01a)
LSTM

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

sinysama

关注关注

0
点赞
踩
21

收藏

觉得还不错? 一键收藏
35
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

【深度学习】用RML2018训练好模型去识别RML2016的数据会遇到输入维度不匹配的问题，如何解决？

若北辰

01-16

235

除了信号长度，RML2016和RML2018的数据集在其他方面可能也存在差异，如信噪比（SNR）、调制类型、样本数量等。这些差异也可能影响模型的性能。因此，在应用模型之前，建议详细分析两个数据集的特性，并根据需要进行相应的调整。由于RML2018和RML2016数据集的信号样本长度分别为1024和128，直接使用在RML2018上训练的调制识别模型来识别RML2016的数据可能会遇到输入维度不匹配的问题。如果您有更多具体的问题或需要进一步的技术支持，请随时告知！预训练的模型进行微调。仅调整输入层和输出层。

使用LSTM实现自动调制识别(RML2018.01a)

QAQIknow的博客

04-30

5372

目录一、LSTM的代码实现1.1 导入包1.2 数据读取及数据集划分1.3 数据预处理1.4 构建LSTM模型本文基于RML2018.01a大型数据集，给出LSTM的信号识别的实现方式（附代码） RML2018.01a数据集信息如下：模型传送门 CNN/ResNet 使用CNN/ResNet实现自动调制识别(RML2018.01a) LSTM 使用LSTM实现自动调制识别(RML2018.01a)) 一、LSTM的代码实现 1.1 导入包 import numpy as np

35 条评论您还未登录，请先登录后发表或查看评论

基于深度神经网络的自动调制识别

01-12

自动调制识别在认知无线电、智能解调器、电子侦察等各种民用及军事应用中扮演重要角色。自动调制识别属于分类问题，常见的方法有KNN、DT、SVM、CNN。为了提高自动调制识别的准确度，基于GNU Radio生成20种信噪比8种调制类型的IQ数据集，训练深度神经网络模型RESNET进行分类测试。实验结果显示自动调制识别的分类准确度提高了近12%。证明了RESNET 适用于自动调制识别，可以满足工程需求。

通信信号调制的自动识别

07-04

自动调制识别是一个迅速发展的信号分析领域，已经成为了目前国际上最新的最热的一个研究热点，这本书的中译本覆盖了调制识别的所有完整内容，并且补充了作者最新的研究成果。

RML2018.01a数据集的读取与使用

热门推荐

QAQIknow的博客

04-29

1万+

基于深度学习的自动调制识别

调制识别论文笔记1----Spatial Transformer Networks保持空间不变性

qq_40616042的博客

04-15

710

论文题目：Modulation Classification using Convolutional Neural Networks and Spatial Transformer Networks 论文地址 1.主要思想应用spatial transformer network确保原始IQ信号不受信道条件的影响。研究了将STN应用到CNN上对不同过采样率下分类正确率的影响。 2.背景介绍首先介绍了调制识别从军事向无线通信领域的发展然后介绍了基于似然比和基于特征的两种传统调制识别方法，分类方法逐渐向

调制信号识别数据集RML2016.10A

04-11

调制信号识别数据集RML2016.10A

自动调制识别（AMR）

pzs0221的专栏

12-22

587

调制识别-人工智能

0325_final project_preparation_dataset RML2016a

weixin_42216631的博客

03-26

747

数据集介绍 11种调制方式 8种数字调制方式，3种模拟调制方式数字： BPSK QPSK 8PSK 16QAM 64QAM BFSK CPFSK PAM4 模拟： WB-FM AM-SSB AM-DSB 11种调制方式的信噪比在-20dB到20dB之间一半用来训练网络，一半用来测试 ...

RML2016.10a-数据集

03-11

This is an open-source data set from deepsig.ai. AM-SSB.csv AM-DSB.csv BPSK.csv 8PSK.csv CPFSK.csv GFSK.csv PAM4.csv QAM16.csv QAM64.csv QPSK.csv WBFM.csv

基于ANN的6种（2ASK、4ASK、2FSK、4FSK、2PSK、4PSK）调制信号自动调制识别

07-24

基于ANN的6种信号自动调制识别，内附完整代码。6种信号分别为2ASK、4ASK、2FSK、4FSK、2PSK、4PSK。适合初学者使用

通信信号自动调制识别程序

06-14

涵盖了通信信号自动调制识别的程序，对于学习信号识别的人员来说值得推荐

RML2016.10a_dict.pkl

02-02

深度学习调制分类数据集

使用Transformer实现自动调制识别（RML2018）

最新发布

QAQIknow的博客

12-30

437

image_size = 1024 # resize重置输入大小patch_size = 16 # 从输入图片中将被提取的块大小# 分成 num_patches 个块num_patches = (image_size // patch_size) #(72/6)**2 横着裁剪),],return x})

使用CNN/ResNet实现自动调制识别(RML2018.01a)

QAQIknow的博客

04-29

1万+

本文基于RML2018.01a大型数据集，给出CNN及其变体ResNet的信号识别的实现方式（附代码）目录一、CNN的代码实现1.1 导入包1.2 数据读取及数据集划分1.3 构建CNN模型1.4 模型训练1.5 测试及模型可视化二、ResNet的代码实现 RML2018.01a数据集信息如下：数据集来源 Over-the-Air Deep Learning Based Radio Signal Classification 调制类型 19种数字调制方式: 32PSK, 16APSK,

RML2016.10a数据集画星座图、频域图、时域图

qq_63986791的博客

01-08

2872

【代码】RML2016.10a数据集画星座图、频域图、时域图。

RML2016.10a （CNN、LSTM、CNN-LSTM、CNN-LSTM-Multi-head-attention, TensorFlow）

qq_40999533的博客

03-20

1078

RML2016.10a （CNN、LSTM、CNN-LSTM、CNN-LSTM-Multi-head-attention, TensorFlow）包含所有数据和代码，支持一键运行（jupyter）

Transformer在自动调制识别应用

03-30

Transformer在自动调制识别应用中是非常有效的，因为它可以自动地从输入数据中学习模式，而不需要手动设计特征。这使得Transformer非常适合处理复杂的调制模式，例如QAM和PSK。在自动调制识别中，Transformer通常被用于分类任务，其中输入是复杂的数字信号，输出是信号的调制类型。Transformer的优势在于它可以自适应地学习信号的特征，并且能够从大量的数据中学习到不同的调制模式。另外，Transformer还可以用于时序数据的建模，因为它能够处理不同长度的序列，并且能够捕捉序列中的长期依赖关系。这使得Transformer在处理长时间序列信号时非常有效。总之，Transformer在自动调制识别应用中是非常有前途的，它可以帮助我们更准确地识别不同的信号类型，并且可以自适应地适应不同的信号特征。