基于深度学习的自动调制识别（含代码链接）

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