调制信号识别系列
关注
分享
扫一扫
文章平均质量分 96
调制信号识别系列，包含代码复现，论文解读，可视化分析等内容
大鹅同志
研究方向：
1、网络入侵检测（Network Intrusion Detection System，NIDS）
2、调制信号识别（Automatic Modulation Classification，AMC）
3、小样本学习（Few-Shot Learning，FSL）
4、SLAM建图（Simultaneous Localization and Mapping，SLAM）
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
GIGNet: A Graph-in-Graph Neural Network for Automatic Modulation Recognition
GIGNet（Graph-in-Graph Neural Network）是一种用于自动调制识别的神经网络模型，通过多级图神经网络（GNN）提取信号特征并进行分类。其流程主要分为三个模块：内部图特征提取模块、相关性信息引入模块和分类模块。原创 2025-05-22 12:16:57 · 739 阅读 · 0 评论 -
RadioML2018.01a数据拆分
在调制信号识别的过程中，难免需要使用不同信噪比或不同调制类型的数据，但是完整的数据过于庞大，本文提供一种可选参数的数据集划分方法。支持单一类型或多类型数据的输出，输出的结果保存到npy文件这种，方便后续加载，可选参数如下：- --hdf5_path: 输入 HDF5 文件的路径（必填）。- --output_dir: 输出数据保存的根目录（必填）。- --modulations: 目标调制类型列表（可选）。如果未指定，则默认选择所有 24 种调制类型。- --snrs: 目标 SNR 列表（必填）原创 2024-10-18 17:03:51 · 1542 阅读 · 0 评论 -
调制信号识别系列 (一)：基准模型
本文包含对CNN和CNN+LSTM基准模型的复现，模型架构参考两篇文章，在RadioML2016.10a SNR=6dB下准确率可达90%，并提供完整数据集及其代码原创 2024-07-07 12:48:46 · 997 阅读 · 2 评论