数据来源与预处理

训练数据全部由程序合成、可重复生成，不依赖任何外部数据集——这是保证结果可复现的第一道关口。

• 数据名称：合成射频 IQ 信号数据集（Synthetic RF IQ Signal Dataset）
• 数据量：8 种调制类型 × 500 条 = 4000 条样本；按 8:2 划分，训练 3200 条、验证 800 条
• 字段：每条样本为 (2, 1024) 的浮点张量，通道 0 为 I 分量、通道 1 为 Q 分量；标签为 0~7 的调制类型索引
• 数据来源：由本文作者基于标准通信链路仿真程序自动生成，经拓端团队整理核对（非公开竞赛数据，可重复生成）
• 时间跨度：合成数据，无实际采集时间跨度
• 区域跨度：合成数据，无实际地域跨度
• 数据格式：NumPy 数组（运行时生成，可导出为 csv 或面板格式）
• 数据简介：每条样本以 (I, Q) 两通道时域序列表示，依次经过符号映射、根升余弦脉冲成形（滚降系数 0.35）、随机载波频偏（±0.05 倍采样率）、单位功率归一化、AWGN 加噪（信噪比在 -5~20dB 随机采样）五步构建，覆盖 BPSK、4PAM、QPSK、8PSK、16QAM、64QAM、GFSK、CPFSK 八类调制。
• 本数据可支撑的主题实证研究：一是宽信噪比下不同调制类型的可识别性边界研究；二是高阶 QAM 识别瓶颈的成因分析；三是轻量卷积模型与残差、Transformer 模型的精度-算力权衡对比。
• 数据指标（核心变量）：I 通道序列、Q 通道序列、信噪比(dB)、调制类型标签、样本长度(1024)、频偏系数。

合成过程模拟真实通信链路，关键步骤如下表：

支持的 8 种调制类型：BPSK、4PAM、QPSK、8PSK、16QAM、64QAM、GFSK、CPFSK。每个类型生成 500 条样本（共 4000 条），每条为 (2, 1024) 的 IQ 张量，按 8:2 划分训练集与验证集。

第一轮对话：构建合成信号生成器

数据展示：下文”测试结果与对比”章节以训练曲线与混淆矩阵作为数据可视化代表，可直接反映不同调制在宽信噪比下的可分性。

核心模型设计：1D-CNN 射频信号调制识别分类器

模型侧的核心决策是”直接对时域序列做卷积”——不做特征工程，也不上重量级骨干，用 89,896 个参数换 CPU 上的实时推理能力。

网络结构

本文采用 1D-CNN 直接对时域 IQ 序列做分类，网络结构如下：

每个卷积块结构为：一维卷积 → 批归一化 → ReLU。使用 Kaiming 正态初始化，总参数量 89,896，可在 CPU 上实时推理。

注（答辩视角·为什么选 1D-CNN）：射频 IQ 信号本质是带时间先后顺序的一维序列，1D-CNN 的滑动卷积核天然适合抽取局部时域模式（如相位跳变、幅度台阶），且参数量远小于 2D-CNN 或Transformer，契合嵌入式部署。评委常问”为何不直接用 LSTM”，答案是本场景序列相关性强但长度固定，卷积的权值共享更省参、推理更快。

第一轮对话：定义基础 1D-CNN 分类网络

AI 智能报告生成：大模型优先，模板兜底

基于 DeepSeek 大模型实现智能报告生成，构建的 提示词 包含：当前信号识别结果（Top-1 调制 + 置信度）、Top-3 候选概率分布、模型训练指标（准确率、参数量）。当无密钥时，系统自动降级为结构化模板报告，覆盖四个维度：信号特征分析、调制类型判别依据、模型可信度评估、工程应用建议。

注（答辩视角·工程可用性）：把大模型当成”锦上添花”而非”必需依赖”是关键设计。评委常问”没网或没密钥怎么办”，模板降级机制正是答案——它保证交付物在任何环境下都可用，而不是依赖外部服务。

训练设置与评估

训练侧用”标签平滑 + 余弦退火 + 早停”三件套稳住泛化，全部配置均可从代码直接复现。

• 损失函数：交叉熵损失 + 标签平滑（ε=0.1）
• 优化器：AdamW（学习率 5e-4，权重衰减 1e-3）
• 学习率调度：余弦退火（Cosine Annealing）
• 早停机制：验证集准确率连续 8 个轮次无提升即停止
• 数据规模：3200 条训练样本 + 800 条验证样本

测试结果与对比

模型在第 21 个轮次触发早停，最佳验证准确率 78.75%——这是 8 类调制的平均水位，拆开看高低阶调制差异明显。训练损失从 1.74 降至 0.74，验证损失在第 13 轮后趋于平稳。

训练曲线图展示左右两子图：左图为训练/验证损失随轮次变化，右图为训练/验证准确率随轮次变化。

射频信号调制识别训练曲线图：左图为训练/验证损失随轮次变化，右图为训练/验证准确率随轮次变化

8 类调制在验证集上的逐类表现如下表（宏平均 F1 为 0.7826）：

总体准确率：78.75%（宏平均 F1：0.7826）

混淆矩阵为 8×8 热力图，纵轴为真值、横轴为预测值，按行归一化。

射频信号调制识别混淆矩阵：8 类调制验证集逐类分类热力图，纵轴为真值、横轴为预测值，按行归一化

性能分析

优势：恒包络调制（BPSK、QPSK、GFSK、CPFSK、4PAM）识别率极高，说明卷积网络对星座结构与相位特征的抽取能力可靠。

瓶颈：高阶 QAM（16QAM、64QAM）识别率低，原因有三：一是 QAM 幅度层级在加噪后边界模糊，16QAM 有 12 种幅度过渡、64QAM 有 48 种，远比 4QAM 的 4 种难分；二是合成数据的频率偏移噪声对”相位+幅度”联合调制的 QAM 影响更大；三是当前 89K 参数模型对 8 类细分任务已达容量边界，进一步提升需引入残差结构或扩充训练数据。

与业务场景的映射

绝大多数实际射频系统使用低阶调制（BPSK、QPSK、FSK 一类）以保证抗干扰能力，本模型在这些实用场景下的平均识别率超过 90%，具备实际应用价值。

需要说明：原文未提供与传统特征工程方法的基线对比数据，本章仅呈现本方案的实测结果，不作跨方法优劣断言。

局限性与失败分析

本章把方案的边界讲透：哪些场景能用、哪些数字要打折看、哪些内容原文没有提供。

高阶 QAM 是主要失败模式

16QAM 的 F1 仅 0.5222（召回率 0.4775），64QAM 的 F1 仅 0.3919（召回率 0.2816）——高阶幅度调制是当前方案最明确的失败区，成因即上文性能分析所列三点：幅度层级加噪后边界模糊、频移噪声对”相位+幅度”联合调制影响更大、89K 参数容量触顶。

样本量与置信区间

验证集共 800 条、每类约 100 条。GFSK、4PAM 等类准确率为 100%，但按每类 100 条样本量，100% 准确率的 95% 置信区间约为 97%–100%（三倍法则），小样本下的满分应谨慎解读，不宜外推为”该类绝对可识别”。

合成数据与真实信道有差距

训练数据为程序合成，未包含多径、相位噪声等真实信道损伤；在真实射频信号上的表现原文未提供实测数据，上真实场景前需用实测数据 微调 （扩展方向见结论与展望）。

分布外输入与长度失配

SNR 低于 -5dB 属于分布外输入，置信度下降是模型的正常边界反应，并非模型故障；序列长度非 1024 时，推理端会静默裁剪或零填充（保证不崩的设计），精度可能下降，演示应使用 1024。

复现性边界

重新训练时，准确率会在 78.75% 附近小幅波动（随机初始化影响），深度学习结果不可严格复现；但仓库自带训练好的 model/modulation_cnn.pth，推理侧固定种子 42、完全可复现。另需注意：Web 界面演示为单条固定样本（8PSK@10dB，置信度 92.29%），不代表整体分布。

数字口径说明

项目报告.md 结尾写的”验证集准确率 72.75%”与 outputs/report.json 的 78.75% 不一致，本文以 report.json（训练脚本实际落盘的指标）为准。

消融与基线对比缺失

原文未提供消融对比与基线方法对比数据，此处如实标注，不作编造。

系统实现与落地

Web 侧用 Streamlit 把”选参数—看结果—拿报告”压缩成一次点击；交付前对全部源码做过系统性审查。

基于 Streamlit 搭建 Web 界面，支持：选择调制类型与信噪比生成模拟信号、实时 IQ 波形图与星座图展示、识别结果（Top-1 + 置信度 + Top-3 概率）、AI 分析报告 Markdown 渲染、一键下载报告。

Agent 界面分五个区块：侧栏控制面板（模型路径、调制类型、信噪比、序列长度、LLM 开关）+ IQ 信号波形图 + 星座图 + 识别结果卡片与 Top-3 概率 + AI 分析报告；交互顺序与逐区块实现细节见附录B 第 3、6、7 节。

交付前对全部 6 个 Python 文件完成系统化代码审查，覆盖语法正确性、导入完整性、类型标注一致性与运行期行为，结果如下：

最终验证：全部 6 个源文件 py_compile 通过、零语法错误；端到端连通性自测（推理 + 报告生成）通过，BPSK/QPSK/GFSK 识别置信度 >90%；完整训练脚本无警告输出，图表渲染正常；独立审查报告见 CODE_REVIEW.md。

部署路径：模型仅 89K 参数，支持 CPU 实时推理，可通过 ONNX 导出部署到嵌入式设备，边际部署成本低。

配套工具与资源

代码、权重、文档、测试页四类交付物齐全，按 README 步骤即可复现。

依赖说明：依赖仅六个包——torch>=2.0.0、numpy>=1.24.0、scikit-learn>=1.3.0、matplotlib>=3.7.0、streamlit>=1.30.0、requests>=2.31.0（完整 requirements.txt 见附录B 第 4 节）。

示例运行命令（以代码包实际接口为准）：

完整功能测试页：教程配套  agent测试页/full/index.html——单文件、双击即开，在浏览器里真跑 Python（stlite = Pyodide + Streamlit WASM），功能与 app.py 一致：能改参数、能真算、能下载报告。首次打开需下载 Pyodide 运行时（约 30–60 秒），演示前先打开一次预热；断网时页面会明确提示，不会白屏。打开命令见附录B 第 9.2 节。

结论与展望

一句话结论：用 89K 参数的 1D-CNN，把射频信号调制识别做成了端到端、可复现、可演示的完整闭环。

核心结论：

1. 端到端流水线完整：信号合成 → 数据预处理 → 卷积训练 → 推理 → 智能报告 → Web 展示，链路完整。
2. 轻量可部署：模型仅 89K 参数，支持 CPU 实时推理，可通过 ONNX 导出部署到嵌入式设备。
3. 任何环境可用：大模型报告模块在无密钥时自动切换为结构化模板，保证交付物不白屏。
4. 一键演示：Streamlit 界面 + 完整功能测试页，评审无需配置环境即可体验。
5. 实用场景成立：低阶调制（BPSK/QPSK/FSK 一类）识别率超过 90%，可支撑频谱监测、电子对抗辅助、软件无线电互操作性测试。
6. 可持续迭代：信号生成器支持注册新调制类型，模型易微调至特定场景（如军用扩频信号识别）。

高阶 QAM 瓶颈已有明确改进路径——引入残差结构扩充模型容量、接入真实硬件采集数据（如 USRP/ADALM-Pluto）、增加 SNR 估计前端、推理加速（ONNX/TensorRT）。残差块的改造示例如下：

第二轮对话：引入残差连接提升高阶 QAM 识别（演进方向）

注：上面给出的残差块是后续优化方向的骨架，文中已实测的基础模型仍为四层 1D-CNN；是否启用残差、如何替换原卷积块，属于展望章节的演进路径。

原文局限与 Agent 扩展方向的完整对照见附录B 第 10.2 节。

常见问题 FAQ：射频信号调制识别十二问

Q1：什么是射频信号调制识别，它解决什么问题？

让机器在不知道发射端用了哪种通信制式的情况下，仅凭接收到的射频信号判断其调制方式（BPSK/QPSK/16QAM 等）。它是频谱监测、电子对抗、软件无线电与设备互操作性测试的基础环节；传统依赖专家特征与规则，本文用 1D-CNN 端到端完成。

Q2：传统方法为什么要换成深度学习方案？

传统方案靠手工提取高阶累积量、瞬时幅度相位统计量等专家特征，再按调制类型写分类规则，换场景就要重写规则、泛化差。1D-CNN 直接对原始 IQ 时域序列学习，判别特征由网络自行抽取，换数据分布只需重新训练而非重写规则。

Q3：宽信噪比下 8 类调制都能认吗？高阶 QAM 混淆怎么办？

-5~20dB 全范围 8 类平均验证准确率 78.75%；恒包络与低阶调制（GFSK/CPFSK/BPSK/4PAM）F1 在 0.89 以上，16QAM/64QAM 偏低（F1 分别为 0.5222、0.3919）。工程做法是 Top-3 排序 + 置信度分级：可信度高的低阶调制直接决策，模糊样本提示人工复核，而非一刀切。

Q4：没有 DeepSeek API Key，报告功能还能用吗？

能。报告模块是”大模型优先、模板兜底”双通道：无 Key 或调用失败时自动降级为结构化模板，仍覆盖信号特征分析、调制判别依据、可信度评估、工程应用建议四个维度，任何环境都能出报告。

Q5：为什么选 1D-CNN，而不是 LSTM 或 2D-CNN？

射频 IQ 信号是带时间顺序的一维序列，1D-CNN 的滑动卷积核天然适合抽取局部时域模式（相位跳变、幅度台阶），权值共享比 LSTM 更省参、推理更快；相比 2D-CNN（需先把信号转成图）参数量小一个量级，契合 89K 参数与嵌入式部署目标。

Q6：89K 参数的轻量模型，精度够用吗？

看场景。8 类平均 78.75%；但商用射频系统大多用低阶调制保抗干扰，这些类的平均识别率超 90%，实用场景够用。高阶 QAM 是明确瓶颈，需靠残差结构或扩充训练数据改进（见结论与展望）。

Q7：合成数据训练出来的模型，能直接用在真实射频信号上吗？

不能直接等同。合成数据未包含多径、相位噪声等真实信道损伤，原文也未提供真实信号实测数据；上真实场景需用实测数据（如 USRP/ADALM-Pluto 采集）微调，这是结论与展望列出的第一条演进路径。

Q8：序列长度设为 256 或 2048（非 1024）会发生什么？

模型按 1024 训练，非 1024 输入会在推理端被静默裁剪或零填充——这是保证不崩的设计，但精度可能下降。演示请使用 1024。

Q9：SNR 调到 -10dB，置信度下降是模型坏了吗？

不是。训练集 SNR 覆盖 -5~20dB，-10dB 属分布外输入，置信度下降是模型的正常边界反应；0~20dB 内模型最稳。

Q10：重新训练能得到完全一样的结果吗？

推理侧可以：仓库自带训练好的权重，种子固定 42，同一组（调制类型, SNR, 序列长度）输出完全一致。训练侧不行：深度学习结果不可严格复现，重训准确率会在 78.75% 附近小幅波动。

Q11：文章里出现 78.75% 和 72.75% 两个数字，以哪个为准？

以 78.75% 为准——它来自 outputs/report.json（训练脚本实际落盘指标）与逐类分类报告；72.75% 是项目报告.md 结尾的笔误，本文已在局限性章节注明。

Q12：怎样把模型部署到嵌入式设备，怎样快速演示？

部署：模型仅 89,896 参数，可导出 ONNX，CPU 上实时推理。演示：本地执行 streamlit run app.py；无环境场合用完整功能测试页 full/index.html，双击即开（首次打开需预热 30–60 秒）。

###

附录A：项目流程与目录结构

整体流水线（竖版流程图）：

        合成 IQ 信号            |            v        数据预处理            |            v     ┌──── 轻量 1D-CNN ────┐     |    调制分类器        |     └─────────┬───────────┘               |               v        识别结果输出(Top-3)               |               v        AI 分析报告生成               |               v       Streamlit 可视化演示               |               v        工程落地与部署

项目文件目录：

project_signal_ai/├── app.py                      # Streamlit Web 主程序├── requirements.txt            # 依赖清单├── README.md                   # 快速开始├── CODE_REVIEW.md              # 代码审查报告├── test_e2e.py                 # 端到端连通性自测├── src/│   ├── signal_generator.py     # IQ 信号合成生成器│   ├── model.py                # 1D-CNN 模型定义│   ├── train.py                # 训练脚本│   ├── inference.py            # 推理封装│   └── report_generator.py     # AI 报告生成（大模型 + 模板降级）├── model/│   └── modulation_cnn.pth      # 训练好的模型权重└── outputs/    ├── training_curves.png     # 训练曲线    ├── confusion_matrix.png    # 混淆矩阵    └── report.json             # 评估指标

目录结构与流程图为原文交付形态，实际以仓库内文件为准。

射频调制识别可交互 AI Agent

目标形态

Agent 界面分五个区块，交互顺序自上而下：

┌─────────────────────┬──────────────────────────────────────────┐│  ⚙️ 侧栏控制面板      │  ① IQ 信号波形图（I/Q 双通道）              ││  · 模型路径          │  ② 星座图                                   ││  · 调制类型下拉框     │  ③ 识别结果卡片（Top-1 + 置信度 + 对错标记）  ││  · 信噪比滑块        │  ④ Top-3 概率条 + 全类概率分布图             ││  · 序列长度选择       │  ⑤ AI 分析报告（可展开）+ 下载按钮            ││  · LLM 开关 + Key    │                                            ││  · 🚀 运行分析       │                                            │└─────────────────────┴──────────────────────────────────────────┘

交互顺序：侧栏选参数 → 点「运行分析」→ 后台「加载模型 → 生成信号 → 推理 → 画图 → 出报告」→ 主区五区块一次渲染。没点按钮时，主区显示项目 outputs 预览（混淆矩阵、训练曲线、指标卡），让评审第一眼看到模型是训练过的。

射频信号调制识别 Agent 初始界面视口实截：左侧 ⚙️ 控制面板完整侧栏（模型权重路径 / 调制类型（模拟）/ 信噪比 SNR（dB）/ IQ 采样长度 / AI 报告开关 / 🚀 运行分析按钮），右侧主区为页面标题、副标题与引导条

四、环境与安装

Python 3.10+，全程 CPU 可跑（模型只有 89,896 参数）。依赖就六个包：

requirements.txt：

射频信号调制识别项目依赖安装终端实截：pip install -r requirements.txt 真实输出，可见 torch/streamlit 等包下载完成与 Successfully installed 一行

启动后终端会打印 Streamlit 的本地地址（默认 http://localhost:8501），浏览器自动打开：

射频信号调制识别系统启动终端实截：streamlit run app.py 输出，含本地地址与 Network URL 两行

数据准备

本项目的数据是合成信号，由 src/signal_generator.py 在运行时生成，不需要外部数据集。合成流程模拟真实通信链路：

完整训练集规模：8 类 × 500 条 = 4000 条，每条 (2, 1024)。为了让读者不跑训练也能验证生成器，data/sample_iq_signals.csv 放了 8 条样例（每类 1 条，SNR=10dB，seed=42）：

mod_type,snr_db,seq_len,i_values,q_valuesBPSK,10.0,1024,"0.98,-0.31,...","0.21,0.87,..."...

用法：

from src.signal_generator import SignalGeneratorgen = SignalGenerator(num_samples=1024, snr_range=(-5, 20), seed=42)iq = gen._gen_iq("QPSK", snr_db=10.0)   # shape (2, 1024)

说明：_gen_iq 是生成器的单条入口，generate(samples_per_class=500) 则一次产出整个数据集。下划线开头是原文风格，Agent 里直接复用即可。

骨架搭建：侧栏收参，主区渲染

app.py 的主结构是两段式：侧栏只放控件，主区先判断「有没有点运行」，没点就 st.stop()。这样参数区和结果区彻底解耦，改任何参数都不会触发重复计算，直到用户主动点按钮。

先搭骨架（侧栏部分）：

三个要点：

1. st.selectbox 的 options 直接绑 SignalGenerator.MOD_TYPES——控件选项和生成器的合法值永远同源，不会出现「界面上有、生成器不认」的调制类型。
2. 按钮 type=”primary” 让主行动点一眼能看到。
3. st.stop() 放在主区判断里，不是放在侧栏。侧栏永远要渲染（否则控件消失），能停的只有结果区。

射频信号调制识别 app.py 侧栏控件代码高亮渲染图：含 selectbox/slider/select_slider/checkbox/button 五个控件定义

核心模块逐个实现

7.1 模型加载：加缓存，别每次重跑都读盘

Streamlit 每次交互都会从头重跑整个脚本，模型权重（360KB 事小，初始化事大）必须缓存：

为什么这么写：@st.cache_resource 是 Streamlit 给「不可序列化的重资源」（模型、连接器）准备的缓存装饰器，同一组参数只构造一次。原项目的 CODE_REVIEW 把「未缓存导致重复加载」列为 P2 建议，这就是修复。

7.2 信号生成：固定种子，让演示可复现

gen = SignalGenerator(num_samples=seq_len, snr_range=(snr_db, snr_db), seed=42)iq_signal = gen._gen_iq(mod_type, snr_db)

种子写死 42，意味着同一组（调制类型, SNR, 序列长度）永远生成同一条信号——演示时观众问「刚才那条再来一次」，点按钮结果一模一样。想换样本，把种子做成控件即可。

7.3 推理：单条入口，返回全概率

predict() 内部做了三件事：(2, 1024) → (1, 2, 1024) 加 batch 维；长度不等于模型 seq_len 时裁剪或零填充（这是红线，见第八节）；softmax 出 8 类概率，排序取 Top-3。

7.4 可视化：三列布局，图随结果走

点下「运行分析」之后，主区五区块一次渲染出来，实际效果如下：

射频信号调制识别运行结果总览实截：左列 IQ 信号波形与星座图，中列识别结果卡片（8PSK、置信度 92.29%）与 Top-3 概率条，右列八类概率分布图

为什么这么写：波形和星座图回答「这条信号长什么样」，结果卡片和概率条回答「模型怎么看」，三类信息并排，观众视线不用上下翻。st.progress 的 text 参数把类别名和百分比直接写在进度条上，比单纯表格更直观。

三列布局的局部细节（侧栏参数区 + 主区图表 + Top-3 概率条）：

射频信号调制识别三列布局局部实截：侧栏参数区（调制类型 8PSK、SNR 10dB、长度 1024）与主区图表、Top-3 概率（8PSK 92.29% / QPSK 3.19% / BPSK 1.39%）

7.5 AI 报告

ReportGenerator 内部逻辑：有 API Key → 调 DeepSeek Chat（deepseek-chat，temperature=0.3）生成中文技术报告 。

报告区块用 st.expander 折叠 + st.download_button 下载 Markdown：

射频信号调制识别智能分析报告区块实截：中文模板报告含信号特征分析、调制类型判别依据、模型可信度评估与训练指标各节

八、参数怎么调

红线一：序列长度不是 1024 时，推理端会静默裁剪/填充。 这不是 bug 是设计（保证不崩），但演示时要用 1024 才是模型的主场。

红线二：SNR 低于 -5dB 属于分布外输入。 训练集 SNR 范围是 -5~20dB，拿 -10dB 的信号去问模型，置信度掉下来是正常的，别怀疑模型坏了。

红线三：模型能力边界要讲给观众。 78.75% 是 8 类平均分，拆开看：GFSK/CPFSK/BPSK/QPSK/4PAM 这些恒包络和低阶调制 F1 都在 0.89 以上，64QAM 只有 0.39。商用射频系统大多用低阶调制保抗干扰，模型在真实业务场景（>90%）比平均分好看——这是原文 3.4 节的结论，演示时主动说，比被问到再解释强。

红线四：深度学习结果不可严格复现。 重跑训练，准确率会在 78.75% 附近小幅波动（随机初始化影响）；但本仓库自带训练好的 model/modulation_cnn.pth，推理侧完全可复现（种子 42 固定）。教程里的所有数字都来自这份权重 + outputs/report.json。

落地页整页实截 ：

射频信号调制识别落地页整页实截：侧栏控制面板全量控件 + 主区项目输出预览三列（混淆矩阵、训练曲线、指标卡）+ 页脚

九、完整功能测试页（现场演示主用）

教程配套一个完整功能测试页 agent测试页/full/index.html：单文件、双击即开，在浏览器里真跑 Python（stlite = Pyodide + Streamlit WASM），功能与 app.py 一致——能改参数、能真算、能下载报告。

读者照第 4~9 节走一遍，即可把任意「分析型脚本」封装成同款可交互 Agent。

作者声明：作者系射频通信与深度学习方向分析师，具备一线射频工程与深度学习建模实践经验，本文代码、模型与结论均来自真实可复现项目。