QAQIknow的博客

image_size = 128 # resize重置输入大小patch_size = 2 # 从输入图片（信号看作图片）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)(x1, x1)# MLP.# Add MLP.x=x_train,y=y_train,filepath,round。

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})

效果如下，如果觉得布局字体不满意根据需要调整就好了，代码都有注释，应该不难看懂。调制识别中，经常用到这样的识别率曲线图。相信大家都能画，那么有时候线比较密集，需要局部放大怎么办呢？不得不说python提供了太多工具，画起来也很方便。

画图+代码

CLDNN

整理了近年的一些调制识别论文，希望可以节省大家的时间成本，在对比模型或思路参考时可以适当引用序号文献出处年份相关开源数据集1Distributed learning for automatic modulation classification in edge devicesIEEE Wireless Communications Letters2020-1Automatic Modulation Classification Based on Deep Resi

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

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,

基于深度学习的自动调制识别