README.md

AMC-Net

为响应开放共享科研记录行动倡议(DCOX)，本工作将提供中文文档，为华人学者科研提供便利。

"AMC-Net： 一种用于自动调制分类的有效网络"开源代码。

张嘉伟，王天天，冯志玺，杨淑媛

西安电子科技大学

[论文] | [中文文档] | [代码] | [海报] | [视频]

准备

数据准备

我们在RML2016.10a, RML2016.10b两个数据集上进行了实验：

数据集	类别	样本数量
RML2016.10a	8种数字调制：8PSK, BPSK, CPFSK, GFSK, PAM4, 16QAM, 64QAM, QPSK；3种模拟调制：AM-DSB，AM-SSB，WBFM	22万(2×128)
RML2016.10b	8种数字调制：8PSK, BPSK, CPFSK, GFSK, PAM4, 16QAM, 64QAM, QPSK；3种模拟调制：AM-DSB，WBFM	120万(2×128)

数据集可以从DeepSig网站下载。请将下载后得到的压缩包直接解压入./data目录，并保持文件名不变。最后的./data目录结构如下所示：

data
├── RML2016.10a_dict.pkl
└── RML2016.10b.dat

预训练模型

我们提供了在两个数据集上的预训练模型，你可以从Google Drive或者百度网盘中下载。请将下载得到的压缩文件直接解压入./checkpoint中。

环境配置

• Python >= 3.6
• PyTorch >=1.7

这一版本的代码测试于Pytorch==1.8.1。

训练&评估

整个流程是从我们的另一个工作 AWN 中采用的。您可以在那里找到有关训练和评估的详细信息。

可视化

我们提供了一种额外的模式，可以可视化 ACM 之前和 ACM 之后的信号，您可以使用以下命令调用：

python main.py --mode visualize --dataset <DATASET>

与评估时类似，绘制的图像以.svg的形式储存在./result下。

令人惊讶的是，如果我们输入一批随机噪声，并使用 ACM 自回归地进行处理：

它的行为看起来像某种隐式生成模型。这种特性可能有助于实现在线数据增强。

开源许可证

本代码许可证为MIT LICENSE. 注意！我们的代码依赖于一些拥有各自许可证的第三方库和数据集，你需要遵守对应的许可证协议。

引文

如果您觉得我们的工作对您的研究有帮助，请考虑引用我们的论文：

@misc{zhang2023amcnet,
      title={AMC-Net: An Effective Network for Automatic Modulation Classification}, 
      author={Jiawei Zhang and Tiantian Wang and Zhixi Feng and Shuyuan Yang},
      year={2023},
      eprint={2304.00445},
      archivePrefix={arXiv},
      primaryClass={eess.SP}
}

联系方式：zjw AT stu DOT xidian DOT edu DOT cn