自动调制识别（Automatic Modulation Recognition, AMR）

简介

本项目开源了一个完整的自动调制识别系统，包括训练与测试全流程。代码基于 PyTorch 实现，结构清晰、模块分明，只需按照以下步骤，即可轻松完成训练并获得测试结果。

使用步骤

1. 准备数据集

   • 下载原始数据集 RML2016.10a_dict.pkl，并将其放入 Dataset/ 文件夹下。

2. 划分数据集

   • 运行 Dataset/Data_Split.py 脚本以完成数据划分。
   • 本脚本将原始数据划分为：
     • test_data.pkl：占比 20%，仅用于模型最终测试。
     • train_val_data.pkl：占比 80%，用于训练和验证阶段。
   • 这样划分可以有效避免测试集泄露，提高评估可信度。

3. 定义模型结构

   • 在 model.py 中定义你自己的模型结构。
   • 注意保持接口兼容，例如模型应接受形状为 (batch_size, 2, 128) 的输入。

4. 开始训练模型

   • 运行 train.py 启动训练过程。
   • 程序将自动加载 train_val_data.pkl 和你的模型，开始训练，并将：
     • 最优模型权重保存至 result/best_model.pth
     • 训练日志和中间指标保存至 result/train_result.json

5. 模型评估

   • 运行 test.py，使用测试集 test_data.pkl 对模型进行最终评估。
   • 脚本将加载训练阶段保存的最优模型，并输出：
     • 总体准确率（Overall Accuracy）
     • 不同 SNR 条件下的准确率（SNR-wise Accuracy）
     • 总体混淆矩阵
     • 每个 SNR 的混淆矩阵
     • 所有结果保存在 result/ 目录下，以 .json 和 .png 形式输出

---

模型示例

以下是一个我设计的简单模型，已包含在 model.py 中：

---

示例结果

以下是该模型在测试集上评估得到的结果之一：SNR-准确率曲线图（Accuracy vs SNR）。

完整结果文件均保存在 result/ 文件夹中，包括混淆矩阵图、准确率曲线等。

---

总结

是的，就是这么简单！

只要跟着上述步骤一步一步操作，相信你一次就能跑通整个流程。模型训练、测试、评估、可视化全都有，祝你顺利完成自动调制识别任务，加油，兄弟！

---