65、基于卷积神经网络的调制分类(matlab)

 1、基于卷积神经网络的调制分类的原理及流程

基于卷积神经网络（CNN）的调制分类是一种常见的信号处理任务，用于识别或分类不同调制方式的信号。下面是基于CNN的调制分类的原理和流程：

原理：

  • CNN是一种深度学习模型，通过卷积层、池化层和全连接层等结构来提取数据中的特征。在调制分类任务中，CNN可以学习到调制信号的特征以区分不同的调制方式。
  • 输入到CNN模型的数据是经过预处理和特征提取后的信号样本，通常是时域信号或频域信号。CNN将这些信号作为输入，并通过网络中的不同层来提取特征并完成调制分类任务。

流程：

  1. 数据准备：准备好用于训练和测试的信号样本数据集，每个样本包含一个已知调制方式的信号。

  2. 数据预处理：对信号数据进行预处理，可能包括归一化、降噪、平滑处理等，以确保数据质量。

  3. 数据特征提取：将信号数据转换为适合CNN输入的格式，例如在时域或频域下进行信号特征提取，将其转换为矩阵形式。

  4. 构建CNN模型：定义CNN模型的结构，包括卷积层、池化层、激活函数层和全连接层等。可以根据具体需求自定义网络结构。

  5. 模型训练：使用训练集数据对CNN模型进行训练，通过反向传播算法不断调整模型参数以使模型输出尽可能接近真实标签。

  6. 模型评估：使用测试集数据评估训练好的模型性能，包括准确率、召回率等指标，对模型进行优化和调整。

  7. 模型应用：将训练好的CNN模型用于未知信号的调制分类，通过模型预测得到信号的调制方式。

  8. 参数调优：根据模型评估结果，调整模型结构、超参数等进行优化，以提高调制分类的准确性和性能。

在Matlab中，可以使用深度学习工具箱等相关工具进行CNN模型的搭建和训练

2、基于卷积神经网络的调制分类的说明

使用卷积神经网络 (CNN) 进行调制分类

生成合成的、通道减损波形。使用生成的波形作为训练数据，训练 CNN 进行调制分类

 

3、使用 CNN 预测调制类型

1）调制数据类型

二相相移键控 (BPSK)

四相相移键控 (QPSK)

八相相移键控 (8-PSK)

十六相正交调幅 (16-QAM)

六十四相正交调幅 (64-QAM)

四相脉冲振幅调制 (PAM4)

高斯频移键控 (GFSK)

连续相位频移键控 (CPFSK)

广播 FM (B-FM)

双边带振幅调制 (DSB-AM)

单边带振幅调制 (SSB-AM)

2）实现代码

modulationTypes = categorical(sort(["BPSK", "QPSK", "8PSK", ..."16QAM", "64QAM", "PAM4", "GFSK", "CPFSK", ..."B-FM", "DSB-AM", "SSB-AM"]));

3）加载训练网络代码

 

load trainedModulationClassificationNetwork
trainedNet
trainedNet = dlnetwork with properties:Layers: [19×1 nnet.cnn.layer.Layer]Connections: [18×2 table]Learnables: [22×3 table]State: [10×3 table]InputNames: {'Input Layer'}OutputNames: {'SoftMax'}Initialized: 1View summary with summary.

4、加载训练的网络

1）说明

经过训练的 CNN 接受 1024 个通道减损采样，并预测每个帧的调制类型

生成几个因莱斯多径衰落、中心频率和采样时间漂移以及 AWGN 而有所减损的 PAM4 帧。

以下函数生成合成信号来测试 CNN。然后使用 CNN 预测帧的调制类型。

randi:生成随机位

pammod (Communications Toolbox)：PAM4 调制位

rcosdesign (Signal Processing Toolbox):设计平方根升余弦脉冲整形滤波器

filter:脉冲确定符号的形状

comm.RicianChannel (Communications Toolbox):应用莱斯多径通道

comm.PhaseFrequencyOffset (Communications Toolbox):应用时钟偏移引起的相位和/或频率偏移

interp1:应用时钟偏移引起的计时漂移

awgn (Communications Toolbox):添加 AWGN

2）实现代码

rng(123456)
% Random bits
d = randi([0 3], 1024, 1);
% PAM4 modulation
syms = pammod(d,4);
% Square-root raised cosine filter
filterCoeffs = rcosdesign(0.35,4,8);
tx = filter(filterCoeffs,1,upsample(syms,8));% Channel
SNR = 30;
maxOffset = 5;
fc = 902e6;
fs = 200e3;
multipathChannel = comm.RicianChannel(...'SampleRate', fs, ...'PathDelays', [0 1.8 3.4] / 200e3, ...'AveragePathGains', [0 -2 -10], ...'KFactor', 4, ...'MaximumDopplerShift', 4);frequencyShifter = comm.PhaseFrequencyOffset(...'SampleRate', fs);% Apply an independent multipath channel
reset(multipathChannel)
outMultipathChan = multipathChannel(tx);% Determine clock offset factor
clockOffset = (rand() * 2*maxOffset) - maxOffset;
C = 1 + clockOffset / 1e6;% Add frequency offset
frequencyShifter.FrequencyOffset = -(C-1)*fc;
outFreqShifter = frequencyShifter(outMultipathChan);% Add sampling time drift
t = (0:length(tx)-1)' / fs;
newFs = fs * C;
tp = (0:length(tx)-1)' / newFs;
outTimeDrift = interp1(t, outFreqShifter, tp);% Add noise
rx = awgn(outTimeDrift,SNR,0);% Frame generation for classification
unknownFrames = helperModClassGetNNFrames(rx);% Classification
scores1 = predict(trainedNet,unknownFrames);
prediction1 = scores2label(scores1,modulationTypes);

3）返回分类器预测 

prediction1
prediction1 = 7×1 categoricalPAM4 PAM4 PAM4 PAM4 PAM4 PAM4 PAM4

4） 分类器还返回一个包含每一帧分数的向量

代码

helperModClassPlotScores(scores1,modulationTypes)

视图效果

3aa5555d0b43495989ff2829144c3a1c.png

5、生成用于训练的波形

1）说明1

为每种调制类型生成 10000 个帧，其中 80% 用于训练，10% 用于验证，10% 用于测试。

网络训练阶段使用训练和验证帧

使用测试帧获得最终分类准确度。每帧的长度为 1024 个样本，采样率为 200 kHz。对于数字调制类型，八个采样表示一个符号。

2）代码实现


trainNow = false;
if trainNow == truenumFramesPerModType = 10000;
elsenumFramesPerModType = 200;
end
percentTrainingSamples = 80;
percentValidationSamples = 10;
percentTestSamples = 10;sps = 8;                % Samples per symbol
spf = 1024;             % Samples per frame
fs = 200e3;             % Sample rate
fc = [902e6 100e6];     % Center frequencies

 3）说明2

创建通道减损

让每帧通过通道并具有

  • AWGN

  • 莱斯多径衰落

  • 时钟偏移，导致中心频率偏移和采样时间漂移

由于本示例中的网络基于单个帧作出决定，因此每个帧必须通过独立的通道。

AWGN

通道增加 SNR 为 30 dB 的 AWGN。使用 awgn (Communications Toolbox) 函数实现通道。

莱斯多径

通道使用 comm.RicianChannel (Communications Toolbox) System object™ 通过莱斯多径衰落通道传递信号。假设延迟分布为 [0 1.8 3.4] 个样本，对应的平均路径增益为 [0 -2 -10] dB。K 因子为 4，最大多普勒频移为 4 Hz，等效于 902 MHz 的步行速度。使用以下设置实现通道。

时钟偏移

时钟偏移是发射机和接收机的内部时钟源不准确造成的。

代码

maxDeltaOff = 5;
deltaOff = (rand()*2*maxDeltaOff) - maxDeltaOff;
C = 1 + (deltaOff/1e6);

4）说明3

 

频率偏移

基于时钟偏移因子 C 和中心频率，对每帧进行频率偏移。使用 comm.PhaseFrequencyOffset (Communications Toolbox) 实现通道。

采样率偏移

基于时钟偏移因子 C，对每帧进行采样率偏移。使用 interp1 函数实现通道，以 C×fs 的新速率对帧进行重新采样。

合并后的通道

使用 helperModClassTestChannel 对象对帧应用所有三种通道减损。

代码

channel = helperModClassTestChannel(...'SampleRate', fs, ...'SNR', SNR, ...'PathDelays', [0 1.8 3.4] / fs, ...'AveragePathGains', [0 -2 -10], ...'KFactor', 4, ...'MaximumDopplerShift', 4, ...'MaximumClockOffset', 5, ...'CenterFrequency', 902e6)
channel = helperModClassTestChannel with properties:SNR: 30CenterFrequency: 902000000SampleRate: 200000PathDelays: [0 9.0000e-06 1.7000e-05]AveragePathGains: [0 -2 -10]KFactor: 4MaximumDopplerShift: 4MaximumClockOffset: 5

5）波形生成

说明

创建一个循环，它为每种调制类型生成通道减损的帧并将这些帧及其对应标签存储在 MAT 文件中。通过将数据保存到文件中，您无需每次运行此示例时都生成数据。您还可以更高效地共享数据。

从每帧的开头删除随机数量的样本，以去除瞬变并确保帧相对于符号边界具有随机起点。

代码 

rng(12)
tic
numModulationTypes = length(modulationTypes);
channelInfo = info(channel);
transDelay = 50;
pool = getPoolSafe();
if ~isa(pool,"parallel.ClusterPool")dataDirectory = fullfile(tempdir,"ModClassDataFiles");
elsedataDirectory = uigetdir("","Select network location to save data files");
end
disp("Data file directory is " + dataDirectory)fileNameRoot = "frame";% Check if data files exist
dataFilesExist = false;
if exist(dataDirectory,'dir')files = dir(fullfile(dataDirectory,sprintf("%s*",fileNameRoot)));if length(files) == numModulationTypes*numFramesPerModTypedataFilesExist = true;end
endif ~dataFilesExistdisp("Generating data and saving in data files...")[success,msg,msgID] = mkdir(dataDirectory);if ~successerror(msgID,msg)endfor modType = 1:numModulationTypeselapsedTime = seconds(toc);elapsedTime.Format = 'hh:mm:ss';fprintf('%s - Generating %s frames\n', ...elapsedTime, modulationTypes(modType))label = modulationTypes(modType);numSymbols = (numFramesPerModType / sps);dataSrc = helperModClassGetSource(modulationTypes(modType), sps, 2*spf, fs);modulator = helperModClassGetModulator(modulationTypes(modType), sps, fs);if contains(char(modulationTypes(modType)), {'B-FM','DSB-AM','SSB-AM'})% Analog modulation types use a center frequency of 100 MHzchannel.CenterFrequency = 100e6;else% Digital modulation types use a center frequency of 902 MHzchannel.CenterFrequency = 902e6;endfor p=1:numFramesPerModType% Generate random datax = dataSrc();% Modulatey = modulator(x);% Pass through independent channelsrxSamples = channel(y);% Remove transients from the beginning, trim to size, and normalizeframe = helperModClassFrameGenerator(rxSamples, spf, spf, transDelay, sps);% Save data filefileName = fullfile(dataDirectory,...sprintf("%s%s%03d",fileNameRoot,modulationTypes(modType),p));save(fileName,"frame","label")endend
elsedisp("Data files exist. Skip data generation.")
endGenerating data and saving in data files...
00:00:09 - Generating 16QAM frames
00:00:11 - Generating 64QAM frames
00:00:13 - Generating 8PSK frames
00:00:15 - Generating B-FM frames
00:00:17 - Generating BPSK frames
00:00:20 - Generating CPFSK frames
00:00:22 - Generating DSB-AM frames
00:00:24 - Generating GFSK frames
00:00:26 - Generating PAM4 frames
00:00:28 - Generating QPSK frames
00:00:30 - Generating SSB-AM frames

6）效果显示

 实虚部振幅代码

helperModClassPlotTimeDomain(dataDirectory,modulationTypes,fs)

视图效果

382b3112ff3f47059e05480ea885a7cf.png

帧代码 

helperModClassPlotSpectrogram(dataDirectory,modulationTypes,fs,sps)

视图效果

e98df04bc485429e80b22d6ac0596484.png

7）创建数据存储代码

frameDS = signalDatastore(dataDirectory,'SignalVariableNames',["frame","label"]);

8） 拆分为训练、验证和测试代码

splitPercentages = [percentTrainingSamples,percentValidationSamples,percentTestSamples];
[trainDS,validDS,testDS] = helperModClassSplitData(frameDS,splitPercentages);

9） 将数据导入内存代码

% Read the training and validation frames into the memory
pctExists = parallelComputingLicenseExists();
trainFrames = transform(trainDS, @helperModClassReadFrame);
rxTrainFrames = readall(trainFrames,"UseParallel",pctExists);
validFrames = transform(validDS, @helperModClassReadFrame);
rxValidFrames = readall(validFrames,"UseParallel",pctExists);% Read the training and validation labels into the memory
trainLabels = transform(trainDS, @helperModClassReadLabel);
rxTrainLabels = readall(trainLabels,"UseParallel",pctExists);
validLabels = transform(validDS, @helperModClassReadLabel);
rxValidLabels = readall(validLabels,"UseParallel",pctExists);

6、训练 CNN

1）说明

使用的 CNN 由五个卷积层和一个全连接层组成。除最后一个卷积层外，每个卷积层后面都有一个批量归一化层、修正线性单元 (ReLU) 激活层和最大池化层。在最后一个卷积层中，最大池化层被一个全局平均池化层取代。输出层具有 softmax 激活。

2）实现代码

modClassNet = helperModClassCNN(modulationTypes,sps,spf);

3）配置网络代码 

maxEpochs = 20;
miniBatchSize = 1024;
trainingPlots = "none";
metrics = [];
verbose = true;
validationFrequency = floor(numel(rxTrainLabels)/miniBatchSize);
options = trainingOptions('sgdm', ...InitialLearnRate = 3e-1, ...MaxEpochs = maxEpochs, ...MiniBatchSize = miniBatchSize, ...Shuffle = 'every-epoch', ...Plots = trainingPlots, ...Verbose = verbose, ...ValidationData = {rxValidFrames,rxValidLabels}, ...ValidationFrequency = validationFrequency, ...ValidationPatience = 5, ...Metrics = metrics, ...LearnRateSchedule = 'piecewise', ...LearnRateDropPeriod = 6, ...LearnRateDropFactor = 0.75, ...OutputNetwork='best-validation-loss');

4）训练网络代码 

if trainNow == trueelapsedTime = seconds(toc);elapsedTime.Format = 'hh:mm:ss';fprintf('%s - Training the network\n', elapsedTime)trainedNet = trainnet(rxTrainFrames,rxTrainLabels,modClassNet,"crossentropy",options);
elseload trainedModulationClassificationNetwork
end

 5）训练结果评估代码

elapsedTime = seconds(toc);
elapsedTime.Format = 'hh:mm:ss';
fprintf('%s - Classifying test frames\n', elapsedTime)
% Read the test frames into the memory
testFrames = transform(testDS, @helperModClassReadFrame);
rxTestFrames = readall(testFrames,"UseParallel",pctExists);% Read the test labels into the memory
testLabels = transform(testDS, @helperModClassReadLabel);
rxTestLabels = readall(testLabels,"UseParallel",pctExists);scores = predict(trainedNet,cat(3,rxTestFrames{:}));
rxTestPred = scores2label(scores,modulationTypes);
testAccuracy = mean(rxTestPred == rxTestLabels);
disp("Test accuracy: " + testAccuracy*100 + "%")

7、使用 SDR 进行测试

1）说明

使用 helperModClassSDRTest 函数，通过空口信号测试经过训练的网络的性能。要执行此测试，您必须有专用的 SDR 用于发送和接收。

2）代码实现

radioPlatform = "ADALM-PLUTO";switch radioPlatformcase "ADALM-PLUTO"if helperIsPlutoSDRInstalled() == trueradios = findPlutoRadio();if length(radios) >= 2helperModClassSDRTest(radios);elsedisp('Selected radios not found. Skipping over-the-air test.')endendcase {"USRP B2xx","USRP X3xx","USRP N2xx"}if (helperIsUSRPInstalled() == true) && (helperIsPlutoSDRInstalled() == true)txRadio = findPlutoRadio();rxRadio = findsdru();switch radioPlatformcase "USRP B2xx"idx = contains({rxRadio.Platform}, {'B200','B210'});case "USRP X3xx"idx = contains({rxRadio.Platform}, {'X300','X310'});case "USRP N2xx"idx = contains({rxRadio.Platform}, 'N200/N210/USRP2');endrxRadio = rxRadio(idx);if (length(txRadio) >= 1) && (length(rxRadio) >= 1)helperModClassSDRTest(rxRadio);elsedisp('Selected radios not found. Skipping over-the-air test.')endend
end

3）视图效果
e57411c7e7f0475f80bf53e17aee8802.png

8、总结

基于卷积神经网络（CNN）的调制分类在Matlab中可以通过深度学习工具箱等相关工具来实现。下面是对基于CNN的调制分类在Matlab中的关键步骤的总结：

总结步骤：

  1. 数据准备：准备带有标签的调制信号数据集，确保每个样本包含一个已知调制方式的信号。

  2. 数据预处理：对信号数据进行预处理，包括归一化、降噪等操作，以保证数据的质量。

  3. 数据特征提取：将信号数据转换为适合CNN输入的格式，可以在时域或频域下提取信号特征，并将其表示为矩阵形式。

  4. 构建CNN模型：定义CNN模型的结构，包括卷积层、池化层、激活函数层和全连接层等。可以根据具体需求自定义网络结构。

  5. 模型训练：使用训练集数据对CNN模型进行训练，通过反向传播算法不断调整模型参数以优化模型性能。

  6. 模型评估：使用测试集数据评估训练好的CNN模型的性能，包括准确率、召回率等指标，对模型进行优化和调整。

  7. 模型应用：将训练好的CNN模型用于未知信号的调制分类，通过模型预测得到信号的调制方式。

  8. 参数调优：根据模型评估结果，调整模型结构、超参数等进行优化，以提高调制分类的准确性和性能。

通过以上步骤，可以在Matlab中实现基于CNN的调制分类任务，从而对不同调制方式的信号进行准确分类和识别。在实际应用中，可以根据具体问题的需求对模型进行定制和调整，以获得更好的性能和效果。

9、源代码

代码

%% 基于卷积神经网络的调制分类
%使用卷积神经网络 (CNN) 进行调制分类
%生成合成的、通道减损波形。使用生成的波形作为训练数据，训练 CNN 进行调制分类%% 使用 CNN 预测调制类型
%可识别以下八种数字调制类型和三种模拟调制类型
%二相相移键控 (BPSK)
%四相相移键控 (QPSK)
%八相相移键控 (8-PSK)
%十六相正交调幅 (16-QAM)
%六十四相正交调幅 (64-QAM)
%四相脉冲振幅调制 (PAM4)
%高斯频移键控 (GFSK)
%连续相位频移键控 (CPFSK)
%广播 FM (B-FM)
%双边带振幅调制 (DSB-AM)
%单边带振幅调制 (SSB-AM)
modulationTypes = categorical(sort(["BPSK", "QPSK", "8PSK", ..."16QAM", "64QAM", "PAM4", "GFSK", "CPFSK", ..."B-FM", "DSB-AM", "SSB-AM"]));%% 加载训练的网络load trainedModulationClassificationNetwork
trainedNet%经过训练的 CNN 接受 1024 个通道减损采样，并预测每个帧的调制类型
%生成几个因莱斯多径衰落、中心频率和采样时间漂移以及 AWGN 而有所减损的 PAM4 帧。
%以下函数生成合成信号来测试 CNN。然后使用 CNN 预测帧的调制类型。
%randi:生成随机位
%pammod (Communications Toolbox)：PAM4 调制位
%rcosdesign (Signal Processing Toolbox):设计平方根升余弦脉冲整形滤波器
%filter:脉冲确定符号的形状
%comm.RicianChannel (Communications Toolbox):应用莱斯多径通道
%comm.PhaseFrequencyOffset (Communications Toolbox):应用时钟偏移引起的相位和/或频率偏移
%interp1:应用时钟偏移引起的计时漂移
%awgn (Communications Toolbox):添加 AWGN
% Set the random number generator to a known state to be able to regenerate
% the same frames every time the simulation is run
rng(123456)
% Random bits
d = randi([0 3], 1024, 1);
% PAM4 modulation
syms = pammod(d,4);
% Square-root raised cosine filter
filterCoeffs = rcosdesign(0.35,4,8);
tx = filter(filterCoeffs,1,upsample(syms,8));% Channel
SNR = 30;
maxOffset = 5;
fc = 902e6;
fs = 200e3;
multipathChannel = comm.RicianChannel(...'SampleRate', fs, ...'PathDelays', [0 1.8 3.4] / 200e3, ...'AveragePathGains', [0 -2 -10], ...'KFactor', 4, ...'MaximumDopplerShift', 4);frequencyShifter = comm.PhaseFrequencyOffset(...'SampleRate', fs);% Apply an independent multipath channel
reset(multipathChannel)
outMultipathChan = multipathChannel(tx);% Determine clock offset factor
clockOffset = (rand() * 2*maxOffset) - maxOffset;
C = 1 + clockOffset / 1e6;% Add frequency offset
frequencyShifter.FrequencyOffset = -(C-1)*fc;
outFreqShifter = frequencyShifter(outMultipathChan);% Add sampling time drift
t = (0:length(tx)-1)' / fs;
newFs = fs * C;
tp = (0:length(tx)-1)' / newFs;
outTimeDrift = interp1(t, outFreqShifter, tp);% Add noise
rx = awgn(outTimeDrift,SNR,0);% Frame generation for classification
unknownFrames = helperModClassGetNNFrames(rx);% Classification
scores1 = predict(trainedNet,unknownFrames);
prediction1 = scores2label(scores1,modulationTypes);
%返回分类器预测
prediction1
%分类器还返回一个包含每一帧分数的向量
%分数对应于每个帧具有预测的调制类型的概率。绘制分数图。
helperModClassPlotScores(scores1,modulationTypes)%% 生成用于训练的波形
%为每种调制类型生成 10000 个帧，其中 80% 用于训练，10% 用于验证，10% 用于测试。
%网络训练阶段使用训练和验证帧
%使用测试帧获得最终分类准确度。每帧的长度为 1024 个样本，采样率为 200 kHz。对于数字调制类型，八个采样表示一个符号。trainNow = false;
if trainNow == truenumFramesPerModType = 10000;
elsenumFramesPerModType = 200;
end
percentTrainingSamples = 80;
percentValidationSamples = 10;
percentTestSamples = 10;sps = 8;                % Samples per symbol
spf = 1024;             % Samples per frame
fs = 200e3;             % Sample rate
fc = [902e6 100e6];     % Center frequencies%创建通道减损：AWGN/莱斯多径衰落/时钟偏移，导致中心频率偏移和采样时间漂移
%AWGN：通道增加 SNR 为 30 dB 的 AWGN。使用 awgn (Communications Toolbox) 函数实现通道
%莱斯多径：通道使用 comm.RicianChannel (Communications Toolbox) System object™ 通过莱斯多径衰落通道传递信号。
%时钟偏移：时钟偏移是发射机和接收机的内部时钟源不准确造成的。
maxDeltaOff = 5;
deltaOff = (rand()*2*maxDeltaOff) - maxDeltaOff;
C = 1 + (deltaOff/1e6);%频率偏移：基于时钟偏移因子 C 和中心频率，对每帧进行频率偏移
%采样率偏移：基于时钟偏移因子 C，对每帧进行采样率偏移。
%合并后的通道：使用 helperModClassTestChannel 对象对帧应用所有三种通道减损
channel = helperModClassTestChannel(...'SampleRate', fs, ...'SNR', SNR, ...'PathDelays', [0 1.8 3.4] / fs, ...'AveragePathGains', [0 -2 -10], ...'KFactor', 4, ...'MaximumDopplerShift', 4, ...'MaximumClockOffset', 5, ...'CenterFrequency', 902e6)
%使用 info 对象函数查看有关通道的基本信息
chInfo = info(channel)%波形生成
% Set the random number generator to a known state to be able to regenerate
% the same frames every time the simulation is run
rng(12)
tic
numModulationTypes = length(modulationTypes);
channelInfo = info(channel);
transDelay = 50;
pool = getPoolSafe();
if ~isa(pool,"parallel.ClusterPool")dataDirectory = fullfile(tempdir,"ModClassDataFiles");
elsedataDirectory = uigetdir("","Select network location to save data files");
end
disp("Data file directory is " + dataDirectory)fileNameRoot = "frame";% Check if data files exist
dataFilesExist = false;
if exist(dataDirectory,'dir')files = dir(fullfile(dataDirectory,sprintf("%s*",fileNameRoot)));if length(files) == numModulationTypes*numFramesPerModTypedataFilesExist = true;end
endif ~dataFilesExistdisp("Generating data and saving in data files...")[success,msg,msgID] = mkdir(dataDirectory);if ~successerror(msgID,msg)endfor modType = 1:numModulationTypeselapsedTime = seconds(toc);elapsedTime.Format = 'hh:mm:ss';fprintf('%s - Generating %s frames\n', ...elapsedTime, modulationTypes(modType))label = modulationTypes(modType);numSymbols = (numFramesPerModType / sps);dataSrc = helperModClassGetSource(modulationTypes(modType), sps, 2*spf, fs);modulator = helperModClassGetModulator(modulationTypes(modType), sps, fs);if contains(char(modulationTypes(modType)), {'B-FM','DSB-AM','SSB-AM'})% Analog modulation types use a center frequency of 100 MHzchannel.CenterFrequency = 100e6;else% Digital modulation types use a center frequency of 902 MHzchannel.CenterFrequency = 902e6;endfor p=1:numFramesPerModType% Generate random datax = dataSrc();% Modulatey = modulator(x);% Pass through independent channelsrxSamples = channel(y);% Remove transients from the beginning, trim to size, and normalizeframe = helperModClassFrameGenerator(rxSamples, spf, spf, transDelay, sps);% Save data filefileName = fullfile(dataDirectory,...sprintf("%s%s%03d",fileNameRoot,modulationTypes(modType),p));save(fileName,"frame","label")endend
elsedisp("Data files exist. Skip data generation.")
end
%显示波形
helperModClassPlotTimeDomain(dataDirectory,modulationTypes,fs)helperModClassPlotSpectrogram(dataDirectory,modulationTypes,fs,sps)%创建数据存储
%使用 signalDatastore 对象来管理包含生成的复杂波形的文件
frameDS = signalDatastore(dataDirectory,'SignalVariableNames',["frame","label"]);
%拆分为训练、验证和测试
splitPercentages = [percentTrainingSamples,percentValidationSamples,percentTestSamples];
[trainDS,validDS,testDS] = helperModClassSplitData(frameDS,splitPercentages);
%将数据导入内存
%神经网络训练是迭代进行
% Read the training and validation frames into the memory
pctExists = parallelComputingLicenseExists();
trainFrames = transform(trainDS, @helperModClassReadFrame);
rxTrainFrames = readall(trainFrames,"UseParallel",pctExists);
validFrames = transform(validDS, @helperModClassReadFrame);
rxValidFrames = readall(validFrames,"UseParallel",pctExists);% Read the training and validation labels into the memory
trainLabels = transform(trainDS, @helperModClassReadLabel);
rxTrainLabels = readall(trainLabels,"UseParallel",pctExists);
validLabels = transform(validDS, @helperModClassReadLabel);
rxValidLabels = readall(validLabels,"UseParallel",pctExists);%% 训练 CNN
%CNN 由五个卷积层和一个全连接层组成
%一个卷积层外，每个卷积层后面都有一个批量归一化层、修正线性单元 (ReLU) 激活层和最大池化层
modClassNet = helperModClassCNN(modulationTypes,sps,spf);
%配置 TrainingOptionsSGDM 以使用小批量大小为 1024 的 SGDM 求解器
maxEpochs = 20;
miniBatchSize = 1024;
trainingPlots = "none";
metrics = [];
verbose = true;
validationFrequency = floor(numel(rxTrainLabels)/miniBatchSize);
options = trainingOptions('sgdm', ...InitialLearnRate = 3e-1, ...MaxEpochs = maxEpochs, ...MiniBatchSize = miniBatchSize, ...Shuffle = 'every-epoch', ...Plots = trainingPlots, ...Verbose = verbose, ...ValidationData = {rxValidFrames,rxValidLabels}, ...ValidationFrequency = validationFrequency, ...ValidationPatience = 5, ...Metrics = metrics, ...LearnRateSchedule = 'piecewise', ...LearnRateDropPeriod = 6, ...LearnRateDropFactor = 0.75, ...OutputNetwork='best-validation-loss');
%训练神网络
if trainNow == trueelapsedTime = seconds(toc);elapsedTime.Format = 'hh:mm:ss';fprintf('%s - Training the network\n', elapsedTime)trainedNet = trainnet(rxTrainFrames,rxTrainLabels,modClassNet,"crossentropy",options);
elseload trainedModulationClassificationNetwork
end%通过获得测试帧的分类准确度来评估经过训练的网络
elapsedTime = seconds(toc);
elapsedTime.Format = 'hh:mm:ss';
fprintf('%s - Classifying test frames\n', elapsedTime)
% Read the test frames into the memory
testFrames = transform(testDS, @helperModClassReadFrame);
rxTestFrames = readall(testFrames,"UseParallel",pctExists);% Read the test labels into the memory
testLabels = transform(testDS, @helperModClassReadLabel);
rxTestLabels = readall(testLabels,"UseParallel",pctExists);scores = predict(trainedNet,cat(3,rxTestFrames{:}));
rxTestPred = scores2label(scores,modulationTypes);
testAccuracy = mean(rxTestPred == rxTestLabels);
disp("Test accuracy: " + testAccuracy*100 + "%")%% 使用 SDR 进行测试
%使用 helperModClassSDRTest 函数，通过空口信号测试经过训练的网络的性能。
radioPlatform = "ADALM-PLUTO";switch radioPlatformcase "ADALM-PLUTO"if helperIsPlutoSDRInstalled() == trueradios = findPlutoRadio();if length(radios) >= 2helperModClassSDRTest(radios);elsedisp('Selected radios not found. Skipping over-the-air test.')endendcase {"USRP B2xx","USRP X3xx","USRP N2xx"}if (helperIsUSRPInstalled() == true) && (helperIsPlutoSDRInstalled() == true)txRadio = findPlutoRadio();rxRadio = findsdru();switch radioPlatformcase "USRP B2xx"idx = contains({rxRadio.Platform}, {'B200','B210'});case "USRP X3xx"idx = contains({rxRadio.Platform}, {'X300','X310'});case "USRP N2xx"idx = contains({rxRadio.Platform}, 'N200/N210/USRP2');endrxRadio = rxRadio(idx);if (length(txRadio) >= 1) && (length(rxRadio) >= 1)helperModClassSDRTest(rxRadio);elsedisp('Selected radios not found. Skipping over-the-air test.')endend
end

工程文件

https://download.csdn.net/download/XU157303764/89498445

 


http://www.ppmy.cn/embedded/55834.html

相关文章

Java使用分布式锁来防止重复提交

Java使用分布式锁来防止重复提交

1.分布式锁的使用场景 分布式锁的使用场景包括以下几个方面： 1）防止重复操作：在某些业务场景下，可能会出现多个客户端同时对同一资源进行修改或者访问的情况。为了避免这种情况发生，可以采用分布式锁来保证只有一个客户…
阅读更多...
Spring MVC数据绑定和响应——简单数据类型绑定（二）简单数据类型绑定

Spring MVC数据绑定和响应——简单数据类型绑定（二）简单数据类型绑定

一、简单数据类型绑定的概念 简单数据类型的绑定，就是指Java中基本类型（如int、double、String等）的数据绑定。在Spring MVC中进行简单类型的数据绑定，只需客户端请求参数的名称和处理器的形参名称一致即可，请求参数会…
阅读更多...
CSS|02 基本选择器

CSS|02 基本选择器

选择器 什么是选择器 选择器是指通过一定的语法规则选取到对应的HTML标记，然后给这个对应的HTML标记设置样式。 选择器分为四大类：基本选择器、复合选择器、 伪类选择器、属性选择器基本选择器通用选择器：将匹配HTML所有标签。不建议使用。…
阅读更多...
学习笔记——动态路由——RIP（RIP工作原理/防环机制）

学习笔记——动态路由——RIP（RIP工作原理/防环机制）

三、RIP工作原理/防环机制 1、工作原理 配置好RIP的路由器会每隔30s,向邻居路由器自动发送RIP路由更新报文。报文里面携带了其所知道的所有路由。 通过发送数据包进行路由信息的交互，路由器启动RIP协议，向周围邻居路由器传递request(请求)response(响…
阅读更多...
SQLyog脚本无限试用重置脚本

SQLyog脚本无限试用重置脚本

文章目录 引言脚本(win)必要操作、说明 引言 SQLyog 需要po jie，但是网上的没看到很好使的，直接下的官方。能处理14天试用也是很ok的。 脚本(win) echo offREM SQLyog注册表key，可能跟你的不一样，如果不一样，请替换…
阅读更多...
AudioLM音频生成模型的原理

AudioLM音频生成模型的原理

AudioLM音频生成模型的原理主要基于将输入的音频映射为一串离散的标记，并将音频生成任务转化为语言建模任务。以下是关于AudioLM原理的详细解释，以及它与文本生成模型的区别： AudioLM的原理 音频映射与离散化： AudioLM首先将输入…
阅读更多...
Webpack: 如何借助预处理器、PostCSS 等构建现代 CSS 工程环境

Webpack: 如何借助预处理器、PostCSS 等构建现代 CSS 工程环境

概述 在开发 Web 应用时，我们通常需要编写大量 JavaScript 代码 —— 用于控制页面逻辑；编写大量 CSS 代码 —— 用于调整页面呈现形式。问题在于，CSS 语言在过去若干年中一直在追求样式表现力方面的提升，工程化能力薄弱&#xff…
阅读更多...
面试题002-Java-Java集合

面试题002-Java-Java集合

面试题002-Java-Java集合 目录 面试题002-Java-Java集合题目自测题目答案1. 说说 List,Set,Map 三者的区别？三者底层的数据结构？2. 有哪些集合是线程不安全的？怎么解决呢？3. 比较 HashSet 、LinkedHashSet 和 TreeSet 三者的异同&…
阅读更多...
排序（冒泡排序、选择排序、插入排序、希尔排序)--＞深度剖析(一)

排序（冒泡排序、选择排序、插入排序、希尔排序)--＞深度剖析(一)

欢迎来到我的Blog，点击关注哦💕 前言 排序是一种基本的数据处理操作，它涉及将一系列项目重新排列，以便按照指定的标准（通常是数值大小）进行排序。在C语言中，排序算法是用来对元素进行排序的一系…
阅读更多...
6.The hardest part about learing hard things(学一件难的事，难在哪里)

6.The hardest part about learing hard things(学一件难的事，难在哪里)

I’ve been recording a lot of podcast interviews for my upcoming book, Ultralearning.One of the reurring themes I’ve noticed in our conversations is that how people feel about learning is the overwhelming cause of the results they experience. 我为我的新书…
阅读更多...
Flutter循序渐进==＞与基金mysql数据库交互

Flutter循序渐进==＞与基金mysql数据库交互

导言 债基基金的注意事项，别看收益不高，注意事项可真不少。最近买了CS一支基金，三周时间就亏掉两三个点（水平全网最差、赎回费和管理费全网最高）。就是冲着它的历史成绩去的，突然发现已经换了基金经理&…
阅读更多...
Debezium 同步 MySQL 实时数据并解决数据重复消费问题

Debezium 同步 MySQL 实时数据并解决数据重复消费问题

我们使用 Debezium 实时同步一个 MySQL 的数据到另一个 MySQL，代码网上基本都有，都是在引入 debezium-api，debezium-embedded 后写 Java 代码，做好了基本配置后启动程序，Debezium 会自动读取 MySQL 的实时 binlog&…
阅读更多...
排序算法(1)之插入排序----直接插入排序和希尔排序

排序算法(1)之插入排序----直接插入排序和希尔排序

个人主页：C忠实粉丝 欢迎 点赞👍 收藏✨ 留言✉ 加关注💓本文由 C忠实粉丝 原创 排序之插入排序----直接插入排序和希尔排序(1) 收录于专栏【数据结构初阶】 本专栏旨在分享学习数据结构学习的一点学习笔记，欢迎大家在评论区交流讨…
阅读更多...
【C语言】常见的数据排序算法

【C语言】常见的数据排序算法

目录 一、概述 二、常见的排序算法 2.1 冒泡排序 2.1.1 定义 2.1.2 C语言实现 2.2 快速排序 2.2.1 定义 2.2.2 C语言实现 2.3 插入排序 2.3.1 定义 2.3.2 C语言实现 2.4 希尔排序 2.4.1 定义 2.4.2 C语言实现 2.5 归并排序 2.5.1 定义 2.5.2 C语言实现 2.6 基…
阅读更多...
基于协同过滤的航空票务推荐系统的设计与实现（飞机票推荐系统）

基于协同过滤的航空票务推荐系统的设计与实现（飞机票推荐系统）

💗博主介绍💗：✌在职Java研发工程师、专注于程序设计、源码分享、技术交流、专注于Java技术领域和毕业设计✌ 温馨提示：文末有 CSDN 平台官方提供的老师 Wechat / QQ 名片 :) Java精品实战案例《700套》 2025最新毕业设计选题推荐…
阅读更多...
非常疑惑文章变成了仅VIP可读

非常疑惑文章变成了仅VIP可读

关于博客发布的一些感想 挺久没上 CSDN 了，平时遇到问题都是问 ChatGPT，自行查阅资料的时间也不多了，写博文的频率也随之降低。偶尔会记些笔记自用，也没有再发布出来。 今天在谷歌查了个问题，突然想发个博客&#xf…
阅读更多...
lvs+上一章的内容

lvs+上一章的内容

书接上回这次加了个keepalived 一、集群与分布式 1.1 集群介绍 **集群（Cluster）**是将多台计算机组合成一个系统，以解决特定问题的计算机集合。集群系统可以分为以下三种类型： **LB（Load Balancing，负载…
阅读更多...
STM32定时器入门篇——（基本定时器的使用）

STM32定时器入门篇——（基本定时器的使用）

一、基本定时器的功能介绍： STM32F103的基本定时器有：TIM6、TIM7。基本定时器TIM6和TIM7各包含一个16位递增自动装载计数器，最大计数到2^16也就是65536，计数值为0~65535，其拥有的功能有：定时中断、主模式触…
阅读更多...
分享一个超级实用的东西——巴比达远程访问

分享一个超级实用的东西——巴比达远程访问

前言 🎈家人们，今天我要和你们分享一个超级实用的东西——巴比达远程访问！🎉 💻有了它，无论你身在何处，都能轻松访问家中的电脑💻，就像在身边一样方便！&…
阅读更多...
什么是 JVM（ Java 虚拟机），它在 Java 程序执行中扮演什么角色？

什么是 JVM（ Java 虚拟机），它在 Java 程序执行中扮演什么角色？

JVM，全称Java Virtual Machine，中文译作“Java虚拟机”，它是运行Java程序的软件环境，也是Java语言的核心部分之一。 想象一下，如果你是一位环球旅行家，每到一个新的国家，都需要学习当地的语言才…
阅读更多...
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发 尧图建网站