比赛概述

1. 比赛背景

  • 比赛名称：掘沙捡金
  • 主办方：二十九所
  • 比赛时间：2024.12.01
  • 比赛目标：调制识别 码元回归 解码

项目背景与目标

本项目旨在开发一个基于深度学习的调制信号识别系统，支持多种调制方式的自动识别和码元宽度估计。在现代通信系统中，快速准确地识别调制信号类型和参数对于信号监测、频谱管理和通信系统优化具有重要意义。传统方法主要依靠人工经验和特征提取，而本项目利用深度学习技术，实现了更高准确率和自动化程度的信号识别和参数估计。

系统架构

系统由以下核心模块组成：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Modulation_Classification/
├── src/
│   ├── data/                  # 数据处理模块
│   │   ├── dataset.py         # 数据集类
│   │   └── data_loader.py     # 数据加载器
│   ├── models/                # 模型定义
│   │   ├── backbone.py        # 混合backbone网络
│   │   ├── heads.py           # 多任务预测头
│   │   └── model.py           # 完整模型
│   ├── demodulation/          # 解调模块
│   │   ├── constellation_mapper.py  # 星座图映射
│   │   └── demodulator.py     # 解调器实现
│   ├── simulation/            # 仿真模块
│   │   └── bpsk_simulation.py # BPSK仿真程序
│   ├── train.py               # 训练脚本
│   └── evaluate.py            # 评估脚本
├── config/                    # 配置文件
│   └── config.yaml            # 参数配置
└── run_demodulation.py        # 解调功能运行脚本

技术特点

1. 创新的混合神经网络架构

  • 多尺度卷积模块：采用不同卷积核大小(3,5,7)和空洞率(1,2,4)的并行分支结构，有效捕获多尺度时频特征
  • Transformer自注意力模块：通过多头注意力机制捕获信号的全局时序依赖关系
  • 动态特征融合：使用自适应权重融合卷积和Transformer特征，增强模型对不同场景的适应能力

2. 双任务码元宽度预测

  • 将码元宽度估计分解为分类任务和回归任务：
    • 分类任务：将宽度离散化为16个类别(0.25-1.00,步长0.05)
    • 回归任务：在分类基础上精确预测连续值
    • 两个任务互补，提高预测精度和鲁棒性

3. 高效解调算法

  • 自适应均衡：实现了基于RLS和CMA的自适应均衡算法
  • 相位和频率跟踪：使用卡尔曼滤波进行相位和频率补偿
  • 多调制支持：支持包括BPSK、QPSK、8PSK、MSK、QAM、APSK等10种调制方式

实现功能

  1. 调制方式自动识别：准确识别10种常见数字调制方式
  2. 码元宽度估计：预测信号的码元宽度参数
  3. 信号解调：对给定的IQ数据进行解调，恢复原始比特流
  4. 信号仿真：提供BPSK调制解调仿真，帮助理解信号处理过程
  5. 性能评估：提供全面的性能评估工具，包括准确率、误差分析等

性能评估

系统在实际测试中获得以下性能：

  • 调制分类：大多数调制方式的识别准确率超过90%
  • 码元宽度估计：平均误差控制在0.1以内
  • 解调性能：在高信噪比条件下，BPSK等简单调制方式的误比特率接近于0

最终综合评分为37分，低于预期。

问题分析

最终得分不理想的主要原因：

  1. 硬件资源限制

    • 前期开发使用的硬件配置较低，导致模型训练速度慢
    • 无法充分测试更复杂的网络结构，训练轮数受限
    • 在大数据集上的优化不足

  2. 经验不足

    • 在复杂信号处理和深度学习联合优化方面经验有限
    • 部分算法实现不够高效，如相位跟踪、频率补偿等
    • 对极端情况的处理不够健壮

  3. 时间紧张

    • 项目周期紧张，无法进行充分的系统测试和优化
    • 部分功能实现仓促，缺乏全面验证
    • 文档和代码注释不够完善

改进方向

  1. 算法优化

    • 改进相位和频率跟踪算法，提高解调鲁棒性
    • 优化网络结构，减少参数量并提高推理速度
    • 增强模型对低信噪比信号的适应能力

  2. 工程实现

    • 提高代码效率，减少冗余计算
    • 增加异常处理机制，提高系统稳定性
    • 完善日志和调试功能

  3. 训练策略

    • 使用更高效的学习率调度和优化方法
    • 扩充训练数据集，增加数据多样性
    • 采用模型集成等技术提高性能

  4. 硬件升级

    • 使用更高性能的计算资源进行模型训练
    • 探索模型量化和压缩，适应低功耗硬件平台
    • 考虑分布式训练加速模型优化

结论

尽管最终评分未达预期，但本项目成功实现了一个完整的调制信号识别和解调系统，具有一定的技术创新性。系统在理想条件下表现良好，通过解决硬件、经验和时间等限制因素，性能有望进一步提升。项目积累的经验和技术将为后续研究奠定基础。