【个人总结】用深度学习进行信号的特征提取和分类（二）

细节

1. b站霹雳-csdn 深度学习在图像处理中的应用

2. b站霹雳-github 深度学习在图像处理中的应用教程

3. IQ信号

4. . gnu radio生成信号（代码4年前）

5. b站霹雳视频课程文字版总结

6. Transformer详解

7. 1D-CNN和2D-CNN
   知乎回答
   简书回答

8. 调制识别举例-代码实现: RML2016.10a Dataset + VT-CNN2 Mod-Rec Network

9. MATLAB信号处理之信号的采样

项目

【github项目】使用深度卷积网络的单导ECG信号采集和分类
【github项目】用于音频分类的SampleCNN
【github项目】时间序列信号分析和分类框架
【github项目】使用rtl-sdr加密狗进行深度学习信号分类
【github项目】ResNet的无线电识别

论文

【很有用】【使用ResNet模型进行无线电调制识别】
1.论文①提出了进行无线电信号分类的卷积神经网络模型，公开了训练的模型和代码，并发布了一个用于深度学习的无线电信号仿真数据集和数据集生成脚本，这个公开数据集后来被广泛地使用于相关的使用深度学习方法进行调制识别的研究中
2.论文②提出了深层的残差网络模型进行调制分类，效果较论文①有很大的提升，在②中还做了大量的超参对比试验，且使用了新的数据集
【基于空中深度学习的无线电信号分类】（Over-the-Air Deep Learning Based Radio Signal Classification）(https://ieeexplore.ieee.org/document/8267032/citations?tabFilter=papers#citations)
摘要：我们对基于深度学习的无线电通信信号的无线电信号分类的性能进行了深入研究。我们考虑使用高阶矩和强推升梯度树分类的严格基准方法，并比较两种方法在一系列配置和信道损伤范围内的性能。我们在仿真中考虑了载波频率偏移，符号率和多径衰落的影响，并在实验室中使用软件无线电对无线电分类性能进行了空中测量，并比较了两者的性能和训练策略。最后，我们最后讨论了剩余的问题以及使用此类技术的设计注意事项
信号分类方法：1.高阶矩构成特征空间 2.CNN 3.ResNet