使用CLDNN实现自动调制识别(RML2018.01a)

置顶 sinysama

已于 2024-12-30 09:21:55 修改

阅读量8k

点赞数

分类专栏：调制识别文章标签： keras tensorflow python 调制识别 RML2018.01a

于 2022-05-03 10:24:30 首次发布

本文链接：https://blog.csdn.net/QAQIknow/article/details/124551111

版权

9 篇文章 ¥119.90 ¥299.90

订阅专栏

本文详细介绍了如何使用CLDNN模型进行自动调制识别，特别是在RML2018.01a大型数据集上的实现过程，包括数据读取、模型构建、训练和测试。CLDNN模型由5层CNN和1层LSTM组成，经过15轮左右的训练，可达到较高的识别准确率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文基于RML2018.01a大型数据集，给出CLDNN的信号识别的实现方式（附代码）
CLDNN谷歌提出的一种CNN（不带池化层）和LSTM的串联结构

本文的CLDNN由5层CNN和1层LSTM构成（可通过增加层数或修改卷积核数量以进一步提高准确率，由于该数据集较大，优化及其费时废机器，博主没有过多优化，准确率在最后给出）

相关内容：

深度学习框架	Tensorflow+Keras 参考配置请点击这里
模型	相关代码
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))
CLDNN	使用CLDNN实现自动调制识别(RML2018.01a))
Transformer(RML2016a)	使用Transformer实现自动调制识别（RML2016.10a，90%+精度（未调参优化））
Transformer(RML2018)	使用Transformer实现自动调制识别（RM