简介这份资源面向通信与深度学习方向的学习者和研究者聚焦自动调制识别任务提供基于深度学习的完整项目代码覆盖OFDM与OTFS两类调制信号并涉及5G、6G场景中常见的调制方式。项目内置四种数据集生成方案其中高斯信道下的OFDM数据集包含BPSK、QPSK、8PSK、16QAM、64QAM和256QAM六类调制信噪比从-10dB到20dB、间隔2dB每种信号在特定SNR下生成2000条数据总量达192000条信号在传输前还经过信道编码、调制等处理步骤。资源包共7个文件以5个Python脚本为主分别承担数据集构建、模型定义与训练流程另含1个说明文档和1个gitignore配置压缩包约11KB结构轻量便于快速上手。已有666人学习下载读者可据此复现数据生成、搭建CNN与Transformer特征提取器并完成调制分类实验适合作为课程设计、论文复现或算法对比的参考起点。1. 从 IQ 采样到调制制式这套 DL 自动调制识别项目到底能干什么如果你手上有 USRP、RTL-SDR 或者任何能吐出 IQ 采样流的接收链路大概率遇到过同一个尴尬信号收下来了瀑布图也画出来了但对面到底是 QPSK、16QAM 还是 OFDM得靠人盯着星座图猜。传统做法是人工提取高阶累积量、循环谱、瞬时频率这些特征再喂给决策树或者 SVM特征选得对不对全看经验换一个信噪比区间就得重新调参。这套基于深度学习的自动调制识别项目解决的正是这个环节——把 IQ 两路时序直接送进网络让模型自己学特征输出调制制式分类结果。它适合三类人一是做频谱监测、信号侦察方向需要快速判断未知信号调制方式二是做 OFDM、OTFS 这类多载波系统研究想在接收端加一个自动识别模块三是刚接触无线深度学习的同学想找一个端到端能跑通的入门工程。项目核心链路是 IQ 采样预处理、数据集构建、CNN/ResNet 骨干训练、推理部署覆盖了从原始采样到分类输出的完整流程。下面按“资源是什么、怎么搭、怎么训、坑在哪”一路拆下去。2. 信号预处理与数据集构建IQ 采样怎么变成网络能吃的张量深度学习做调制识别第一步不是搭网络而是把一维 IQ 时序整理成网络能消费的格式。这一步做错了后面网络再深也白搭。常见做法是把长采样切成固定长度的样本窗每个窗标注一个调制类别再按信噪比分层存成数组。2.1 IQ 两路数据的归一化与切片策略原始 IQ 采样通常是复数序列实部 I 路、虚部 Q 路。直接送网络有两个问题一是幅度动态范围大二是不同样本长度不一致。我一般先把复数拆成两路实数再做功率归一化让每个样本的平均功率为 1这样模型不会被强信号样本主导。import numpy as np def normalize_iq(iq_samples): # iq_samples: 复数数组形状 (N,) iq np.asarray(iq_samples, dtypenp.complex64) # 去掉直流分量避免零频偏置影响 iq iq - np.mean(iq) # 按平均功率归一化防止强信号压制弱信号 power np.mean(np.abs(iq) ** 2) if power 0: iq iq / np.sqrt(power) # 拆成 I/Q 两路形状 (2, N) iq_2ch np.stack([iq.real, iq.imag], axis0) return iq_2ch.astype(np.float32) def slice_samples(iq_samples, window1024, stride512): # 滑动窗切片window 是每个样本长度stride 控制重叠 samples [] for start in range(0, len(iq_samples) - window 1, stride): seg iq_samples[start:start window] samples.append(normalize_iq(seg)) return np.array(samples)这里window1024是经验值对应大多数调制识别论文的输入长度stride512做 50% 重叠能在样本数少的时候扩增数据。归一化里去掉均值这一步很多人会漏结果模型学到的是直流偏置而不是调制特征。切片长度不是越长越好太长会把多个突发信号混进一个样本太短则 OFDM 的循环前缀都装不下。2.2 按 SNR 分层构建训练集与验证集调制识别模型最怕的是“高 SNR 训练、低 SNR 测试”这种分布偏移。正确做法是按信噪比分层采样保证每个 SNR 区间在训练集和验证集里都有代表。常见 SNR 范围是 -20dB 到 20dB每 2dB 一档。参数建议值说明样本长度1024覆盖 OFDM 一个符号加 CPSNR 范围-20 ~ 20 dB低 SNR 是识别难点每类每 SNR 样本数500 ~ 1000太少容易过拟合训练/验证/测试比7:1.5:1.5按 SNR 分层切分调制类别BPSK/QPSK/8PSK/16QAM/64QAM/OFDM按实际需求增减构建时用字典按(mod_type, snr)索引切分时对每个键单独划分避免某个 SNR 档全进了训练集。数据集存成.npy或 HDF5HDF5 更适合大数据量读取时能按需加载不爆内存。提示如果手头没有实测数据可以用 GNU Radio 的调制器加 AWGN 信道仿真生成但仿真数据和实测数据存在域差异最终还是要用真实采样微调。3. 网络选型与训练CNN、ResNet 在 IQ 时序上的取舍预处理做完接下来是网络结构。调制识别领域主流是 CNN 系列因为 IQ 两路本质上是二维相关信号卷积核能捕捉局部波形模式。但具体用浅层 CNN 还是 ResNet取决于你的类别数和 SNR 跨度。3.1 从基线 CNN 到 ResNet 的选型理由基线 CNN 通常是 3 到 5 层卷积加池化参数量小、训练快适合类别少6 类以内、SNR 不太低的场景。但如果类别扩展到 10 类以上或者要在 -10dB 以下工作浅层网络容量不够这时候上 ResNet 残差结构更稳。残差连接缓解了深层网络的梯度消失让网络能学到更细的调制差异比如 16QAM 和 64QAM 的星座点密度区别。import torch import torch.nn as nn class ModCNN(nn.Module): def __init__(self, num_classes6): super().__init__() self.features nn.Sequential( # 输入 (2, 1024)2 通道对应 I/Q nn.Conv1d(2, 64, kernel_size7, padding3), nn.BatchNorm1d(64), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(64, 128, kernel_size5, padding2), nn.BatchNorm1d(128), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(128, 256, kernel_size3, padding1), nn.BatchNorm1d(256), nn.ReLU(), nn.AdaptiveAvgPool1d(1), ) self.classifier nn.Linear(256, num_classes) def forward(self, x): x self.features(x) x x.flatten(1) return self.classifier(x)Conv1d的输入通道是 2对应 I/Q 两路kernel_size7第一层感受野大一点能抓住波形包络BatchNorm1d在低 SNR 下对稳定训练很关键。最后用AdaptiveAvgPool1d(1)把时序压成向量再接全连接分类。如果换 ResNet把features换成残差块堆叠即可通道数从 64 起步每 stage 翻倍。3.2 训练循环与学习率调度训练时损失函数用交叉熵优化器 Adam 起步学习率 1e-3配合余弦退火。关键点是按 SNR 加权采样——低 SNR 样本难但数量不能太少否则模型在低 SNR 段直接摆烂。from torch.utils.data import DataLoader, WeightedRandomSampler def build_sampler(labels, snrs): # 对低 SNR 样本给更高权重缓解难样本被淹没 weights [] for snr in snrs: w 1.0 max(0, (0 - snr) / 20.0) # SNR 越低权重越大 weights.append(w) weights torch.tensor(weights, dtypetorch.float) return WeightedRandomSampler(weights, num_sampleslen(weights), replacementTrue) # 训练主循环 model ModCNN(num_classes6).cuda() optimizer torch.optim.Adam(model.parameters(), lr1e-3) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max50) criterion nn.CrossEntropyLoss() for epoch in range(50): model.train() for iq, label in train_loader: iq, label iq.cuda(), label.cuda() optimizer.zero_grad() out model(iq) loss criterion(out, label) loss.backward() optimizer.step() scheduler.step()WeightedRandomSampler里权重公式是经验写法SNR 每低 20dB 权重加 1实际可以按验证集表现调。T_max50对应总 epoch 数余弦退火让学习率平滑降到接近 0。训练过程中要单独记录每个 SNR 档的准确率不能只看总体 accuracy否则高 SNR 样本会把低 SNR 的差表现掩盖掉。注意如果验证集在某个 SNR 档准确率骤降先检查该档样本数是否过少再考虑加宽网络不要盲目加层。4. 推理部署与性能验证模型怎么落到实际接收链路训练完的模型不能只停在 notebook 里得能对实时采样流做推理。这一步的难点不在模型本身而在推理速度和输入管线的对接。4.1 导出 ONNX 与推理加速PyTorch 模型直接推理在边缘设备上偏慢常见做法是导出 ONNX再用 ONNX Runtime 或 TensorRT 加速。导出时注意输入维度固定动态轴只在 batch 维开放。import torch.onnx model.eval() dummy torch.randn(1, 2, 1024).cuda() torch.onnx.export( model, dummy, mod_cnn.onnx, input_names[iq], output_names[logits], dynamic_axes{iq: {0: batch}}, opset_version11 )opset_version11兼容性较好dynamic_axes只开放 batch 维时序长度固定为 1024这样推理引擎能做更好的图优化。导出后用onnxruntime加载单样本推理延迟能压到毫秒级满足实时流处理。4.2 混淆矩阵与 SNR-准确率曲线验证模型好不好不能只看一个总体数字。我一般画两张图一张是混淆矩阵看哪些调制容易混一张是 SNR-准确率曲线看模型在哪个 SNR 开始崩。验证指标用途合格线参考总体准确率快速判断模型是否可用高 SNR 90%混淆矩阵定位易混调制对16QAM/64QAM 混淆需关注SNR-准确率曲线找模型工作下限-10dB 以上应明显高于随机单样本推理延迟判断能否实时 10ms 适合流式混淆矩阵里如果 16QAM 和 64QAM 大量互混说明网络对幅度层级不敏感可以加一个幅度特征分支或者在损失里对这两类加权。SNR 曲线如果在某个点断崖式下跌通常是该 SNR 档训练样本不足补数据比改网络更有效。提示验证集一定要留出完全没参与训练的 SNR 档做插值测试比如训练用 -20 到 20 每 4dB测试用 -18、-14 这些中间档能看出模型泛化能力。5. 避坑与常见问题那些让准确率一夜回到随机水平的操作这个项目我前后复现过几轮踩的坑集中在数据处理和评估环节网络结构反而很少是主因。下面几条按“现象 → 原因 → 解决”列出来。现象一训练准确率 99%测试准确率 30%。原因数据集切分时没有按 SNR 分层训练集全是高 SNR测试集混入低 SNR分布偏移导致模型过拟合高 SNR 特征。 解决切分前先按(mod_type, snr)分组每组独立按比例划分保证训练和测试的 SNR 分布一致。现象二模型把所有样本都预测成样本数最多的那一类。原因类别不平衡某个调制样本数远多于其他类交叉熵被多数类主导。 解决用WeightedRandomSampler或给CrossEntropyLoss传weight参数按类别频率倒数加权。现象三低 SNR 下准确率完全随机高 SNR 正常。原因归一化时用了全局功率低 SNR 样本被噪声主导归一化后信号幅度被压得极小。 解决改成按样本自身功率归一化或者保留原始幅度信息不要做过度归一化。现象四ONNX 推理结果和 PyTorch 对不上。原因导出时模型处于train()模式BatchNorm 用了 batch 统计量而非滑动平均。 解决导出前必须model.eval()并确认torch.onnx.export时没有 dropout 等训练态算子。现象五换一个采集设备后准确率暴跌。原因不同设备的 IQ 不平衡、直流偏置、采样率不同模型学到了设备指纹而非调制特征。 解决训练时做数据增强加入随机相位旋转、幅度缩放、少量频偏提升跨设备泛化。6. 进阶技巧用 OTFS 与 OFDM 的时频特征做辅助分支如果你做的场景涉及 OFDM 或 OTFS 这类多载波波形纯时域 IQ 输入会丢掉子载波结构信息。一个实用的进阶做法是加一条时频辅助分支对 IQ 做 STFT 得到时频图用二维 CNN 提取时频纹理再和时域分支的特征拼接。import torch import torch.nn as nn class DualBranchModNet(nn.Module): def __init__(self, num_classes6): super().__init__() # 时域分支处理 (2, 1024) 的 IQ self.time_branch nn.Sequential( nn.Conv1d(2, 64, 7, padding3), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(64, 128, 5, padding2), nn.ReLU(), nn.AdaptiveAvgPool1d(1) ) # 时频分支处理 (1, 128, 128) 的 STFT 幅度图 self.tf_branch nn.Sequential( nn.Conv2d(1, 32, 3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(32, 64, 3, padding1), nn.ReLU(), nn.AdaptiveAvgPool2d(1) ) self.classifier nn.Linear(128 64, num_classes) def forward(self, iq, tf_img): t_feat self.time_branch(iq).flatten(1) f_feat self.tf_branch(tf_img).flatten(1) return self.classifier(torch.cat([t_feat, f_feat], dim1))时域分支和时频分支各自提特征最后拼接分类。STFT 的窗长和跳步要按符号周期设OFDM 一般取一个符号长度做窗。OTFS 的话时频图换成时延-多普勒域更合适但预处理会复杂一些建议先把 OFDM 这条跑通再迁移。验证这个双分支是否有效我习惯做一个消融只跑时域分支、只跑时频分支、双分支各训一次对比 SNR-准确率曲线。如果双分支在低 SNR 段提升明显说明时频特征确实补了时域看不到的信息如果没提升多半是 STFT 参数没调对窗太长丢了时间分辨率窗太短丢了频率分辨率。从那以后我每次加辅助分支前都强制先跑一遍单分支基线确认增益来自新特征而不是随机波动。希望帮到你。本文还有配套的精品资源点击获取