卷积神经网络在RadioML2016.10A数据集上的信号识别：基于ResNet的分类准确率与损失函数分析,基于ResNet的卷积神经网络在RadioML2016.10A数据集上的信号识别与性能分析——出图展示分类准确率、混淆矩阵及损失函数迭代曲线,卷积神经网络识别信号 ResNet RadioML2016.10A数据集11种信号识别分类 出图包含每隔2dB的分类准确率曲线、混淆矩阵、损失函数迭代曲线等 Python实现 ,卷积神经网络; ResNet; 信号识别; RadioML2016.10A数据集; 分类准确率曲线; 混淆矩阵; 损失函数迭代曲线; Python实现,卷积神经网络在RadioML2016数据集上的信号识别研究

用于自动调制识别的时空多通道学习框架 作者：徐嘉朗（电子邮件： ）、、杰拉德·帕尔、罗杨。 论文“的”的官方实现。 该存储库包含论文中的 MCLDNN 实现和数据集。 介绍 自动调制识别 (AMR) 在现代通信系统中起着至关重要的作用。 我们提出了一种新颖的三流深度学习框架，以从调制数据的单个和组合同相/正交 (I/Q) 符号中提取特征。 所提出的框架集成了一维 (1D) 卷积、二维 (2D) 卷积和长短期记忆 (LSTM) 层，以从时间和空间的角度更有效地提取特征。 在基准数据集上的实验表明，所提出的框架具有高效的收敛速度并提高了识别精度，特别是对于由 16 正交幅度调制 (16-QAM) 和 64-QAM 等高维方案调制的信号。 引文 如果这项工作对您的研究有用，请考虑引用： @ARTICLE{9106397, author={J. {Xu} and C. {Luo} an