基于RadioML 2016.10a数据集的综合深度学习框架，用于自动调制分类。本项目实现了多种最先进的神经网络架构，包括复值神经网络、ResNet、Transformer和混合模型，专门用于无线电信号分类。
- 多种模型架构: CNN1D、CNN2D、ResNet、复值神经网络、Transformer和混合模型
- 复值神经网络: 自定义实现，具有专门的复数激活函数，用于I/Q信号处理
- 高级预处理: 使用GPR、小波变换和降噪自编码器(DDAE)进行信号降噪
- 数据增强: 基于旋转的增强技术，提高模型鲁棒性
- 全面评估: 基于SNR的分析和详细的性能指标
- 模块化设计: 易于扩展和实验新架构
本项目使用 RadioML 2016.10a 数据集，包含：
- 11种调制类型: 8PSK, AM-DSB, AM-SSB, BPSK, CPFSK, GFSK, PAM4, QAM16, QAM64, QPSK, WBFM
- SNR范围: -20 dB 到 +18 dB（2 dB步长）
- 信号格式: I/Q采样，每个信号128个时间步
- 总样本数: 220,000个样本（每个调制-SNR对1,000个样本）
- 复值层: ComplexConv1D、ComplexDense、ComplexBatchNormalization
- 高级激活函数: mod_relu、cardioid、zrelu、crelu、complex_tanh
- 最佳准确率: 63.4%（使用GPR降噪 + 数据增强）
- 残差连接: 用于深度网络训练
- 多种块类型: 具有跳跃连接
- 最佳准确率: 64.4%（使用GPR降噪 + 数据增强）
- 复数到实数转换: 结合ComplexNN和ResNet的优势
- 轻量级复数混合: 项目最佳性能模型
- 最佳准确率: 65.4%（轻量级复数混合模型）
- CNN1D: 时间序列数据的1D卷积（55.0%准确率）
- CNN2D: 将I/Q视为图像的2D卷积（47.3%准确率）
- Transformer: 基于注意力机制的架构（48.6%准确率）
- Python 3.12.9
- 支持CUDA的GPU（推荐）
# 创建conda环境
conda env create -f environment.yml
# 激活环境
conda activate ljk2- 下载RadioML 2016.10a数据集
- 将
RML2016.10a_dict.pkl文件放置在项目根目录
cd src
# 训练和评估SOTA模型
python main.py --mode evaluate --model_type lightweight_hybrid
# 训练和评估所有模型
python main.py --mode all --model_type all
# 训练特定模型
python main.py --mode train --model_type resnet --epochs 100
# 进行SNR分析评估
python main.py --mode evaluate --model_type complex_nn# 使用数据增强和GPR降噪
python main.py --model_type resnet --augment_data --denoising_method gpr
# 自定义配置
python main.py --model_type complex_nn --epochs 500 --batch_size 256 --denoising_method gpr --augment_dataradioML-v3/
├── src/ # 源代码目录
│ ├── main.py # 主执行脚本
│ ├── flexible_main.py # 灵活的主执行脚本
│ ├── models.py # 模型导入和管理
│ ├── train.py # 训练逻辑
│ ├── evaluate.py # 评估和指标计算
│ ├── preprocess.py # 数据预处理和降噪
│ ├── explore_dataset.py # 数据集探索和可视化
│ ├── train_autoencoder.py # 降噪自编码器训练
│ ├── analyze_snr_distribution.py # SNR分布分析
│ └── model/ # 模型架构定义
│ ├── __init__.py
│ ├── cnn1d_model.py # 1D卷积神经网络
│ ├── cnn2d_model.py # 2D卷积神经网络
│ ├── resnet_model.py # ResNet残差网络
│ ├── complex_nn_model.py # 复值神经网络
│ ├── transformer_model.py # Transformer模型
│ ├── hybrid_complex_resnet_model.py # 轻量级复数混合模型
│ ├── hybrid_transition_resnet_model.py # 轻量级转换模型
│ ├── fcnn_model.py # 全连接神经网络
│ ├── lstm_model.py # LSTM循环神经网络
│ ├── autoencoder_model.py # 自编码器模型
│ ├── adaboost_model.py # AdaBoost集成模型
│ ├── clear_residual_model.py # 清晰残差模型
│ ├── transformer_experiments.py # Transformer实验
│ ├── callbacks.py # 训练回调函数
│ └── detailed_logging_callback.py # 详细日志回调
├── output/ # 输出结果目录
│ ├── models/ # 训练保存的模型
│ ├── results/ # 评估结果文件
│ ├── training_plots/ # 训练
8000
程图表
│ ├── exploration/ # 数据探索可视化
│ └── snr_analysis/ # SNR分析结果
├── model_weight_saved/ # 保存的模型权重
├── denoised_datasets/ # 缓存的降噪数据
├── guide/ # 项目指南文档
│ ├── COMPLEX_ACTIVATIONS_GUIDE.md # 复数激活函数指南
│ ├── ENVIRONMENT_SETUP.md # 环境配置指南
│ ├── EXPERIMENT_PROCESS.md # 实验流程说明
│ ├── GAUSSIAN_PROCESS_REGRESSION_GUIDE.md # GPR降噪指南
│ ├── LIGHTWEIGHT_HYBRID_MODEL_ARCHITECTURE.md # 轻量级混合模型架构
│ ├── HARDWARE_SPECIFICATIONS.md # 硬件规格说明
│ ├── DETAILED_ARCHITECTURE_VISUALIZATION.md # 详细架构可视化
│ ├── COMPRESSED_LAYOUT_IMPROVEMENTS.md # 压缩布局改进
│ ├── SIMPLIFIED_SKIP_CONNECTIONS.md # 简化跳跃连接
│ ├── RESULT.md # 详细实验结果
│ └── NOTICE.md # 重要注意事项
├── paper/ # 学术论文和文档
├── script/ # 实用脚本
├── arcticle/ # 参考文献和论文
├── 备份/ # 备份文件
├── RML2016.10a_dict.pkl # RadioML数据集文件
├── environment.yml # Conda环境配置
├── requirements.txt # Python依赖包
├── gpr_length_scale_optimization.ipynb # GPR参数优化笔记本
└── README.md # 项目说明文档
--mode: 操作模式 (explore, train, evaluate, all)--model_type: 模型架构 (cnn1d, cnn2d, resnet, complex_nn, transformer, hybrid_*, all)--epochs: 训练轮数 (默认: 500)--batch_size: 训练批次大小 (默认: 128)--augment_data: 启用数据增强--denoising_method: 预处理方法 (gpr, wavelet, ddae, none)--random_seed: 随机种子，确保可重现性 (默认: 42)
- GPR: 高斯过程回归（最佳性能）
- Wavelet: 基于小波的降噪
- DDAE: 深度降噪自编码器
- None: 无预处理
| 模型 | 基础准确率 | + 数据增强 | + GPR | + GPR + 增强 | 最佳配置 |
|---|---|---|---|---|---|
| 轻量级复数混合 | 56.9% | 60.7% | 62.8% | 65.4% | GPR + 增强 |
| ResNet | 55.4% | 59.3% | 62.2% | 64.4% | GPR + 增强 |
| ComplexNN (relu) | 57.1% | - | 62.4% | 63.4% | GPR + 增强 |
| ComplexNN (leaky_relu) | 56.2% | - | 61.4% | - | GPR |
| 轻量级转换模型 | - | - | - | 62.9% | GPR + 增强 |
| CNN1D | 54.9% | - | - | - | 基础 |
| ComplexNN (mod_relu) | 54.1% | - | - | - | 基础 |
| Transformer | 47.9% | - | - | - | 基础 |
| CNN2D | 47.3% | - | - | - | 基础 |
| FCNN | 42.7% | - | - | - | 基础 |
模型在高SNR水平下表现更好：
- 低SNR (-20 到 -2 dB): 36.97% 准确率
- 中等SNR (0 到 8 dB): 87.54% 准确率
- 高SNR (10 到 18 dB): 89.22% 准确率
本项目实现了新颖的复值激活函数：
- mod_relu: 对幅度应用ReLU，同时保持相位
- cardioid: 方向敏感激活函数
- zrelu: 实部选择激活
- complex_tanh: 复值双曲正切
- 信号加载: 从RadioML数据集加载I/Q采样
- 降噪: 应用GPR/小波/DDAE降噪
- 标准化: 标准化信号幅度
- 增强: 旋转I/Q信号提高鲁棒性
- 训练/验证/测试分割: 60/20/20分层分割
- 总体准确率: 所有SNR水平的分类准确率
- 基于SNR的分析: 按信噪比的性能分解
- 混淆矩阵: 每种调制类型的分析
- 分类报告: 每类的精确率、召回率、F1分数
from models import build_complex_nn_model
from preprocess import prepare_data_by_snr
# 加载和预处理数据
dataset = load_radioml_data('RML2016.10a_dict.pkl')
X_train, X_val, X_test, y_train, y_val, y_test, _, _, _, mods = prepare_data_by_snr(
dataset, augment_data=True, denoising_method='gpr'
)
# 使用mod_relu激活构建模型
model = build_complex_nn_model(
input_shape=(2, 128),
num_classes=11,
activation_type='mod_relu'
)
# 训练模型
model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=100)from evaluate import evaluate_by_snr
# 使用SNR分析评估模型
accuracy = evaluate_by_snr(
model, X_test, y_test, snr_test, mods, output_dir='results/'
)- Fork本仓库
- 创建特性分支 (
git checkout -b feature/new-model) - 提交更改 (
git commit -am 'Add new model architecture') - 推送到分支 (
git push origin feature/new-model) - 打开Pull Request
本项目采用MIT许可证 - 详情请查看 LICENSE 文件。
- T. O'Shea and J. Hoydis, "An introduction to deep learning for the physical layer," IEEE Transactions on Cognitive Communications and Networking, 2017.
- RadioML 2016.10a 数据集: https://www.deepsig.ai/datasets
- 复值神经网络: 信号处理中的理论与应用
如有问题和支持需求，请在GitHub上提出issue或联系维护者。
注意: 本项目仅用于研究和教育目的。在处理射频数据时，请确保遵守当地法规。