调制识别中这几个数据集的文献分别是什么？

Question

RML 2016.04c、RML 2016.10a、RML 2016.10b、RML 2018.01a、HisarMod2019.1这5个数据集的文献分别是什么？

Answer 1

引自强大而免费的微信小程序：皆我百晓生。

对于RML 2016.04c、RML 2016.10a、RML 2016.10b、RML 2018.01a、HisarMod2019.1这五个数据集的文献，以下是详细的介绍：

---

1. RML 2016.04c数据集的文献

RML 2016.04c数据集的文献是《Radio Machine Learning Dataset for Modulation Classification》。该论文由Timothy O'Shea和Nathan West发表在2016年。

论文中介绍了RML 2016.04c数据集的构建方法和一些实验结果。RML 2016.04c数据集是使用GNU无线电分析套件（GNURadio）生成的包括11个数字调制方式和20个信噪比值的合成样本。论文中介绍了信号处理流程和生成样本的详细方法，并且提供了数据集的下载链接。

论文还针对RML 2016.04c数据集进行了一些实验，使用了支持向量机（SVM）、多层感知器（MLP）和卷积神经网络（CNN）等方法进行调制识别。实验结果表明，CNN在该数据集上取得了较好的性能。

---

2. RML 2016.10a数据集的文献

RML 2016.10a数据集的文献是《Over-the-Air Deep Learning Based Radio Signal Classification》。该论文由Timothy O'Shea和Sahar Karimi发表在2016年。

论文介绍了RML 2016.10a数据集的构建方法和一些实验结果。RML 2016.10a数据集是使用GNU Radio生成的，包含11种数字调制方式和20个不同信噪比的合成样本。与RML 2016.04c数据集相比，RML 2016.10a数据集的样本数量更大。

论文着重介绍了使用深度学习方法进行调制识别的实验。作者使用了长短时记忆网络（LSTM）、卷积神经网络（CNN）和循环卷积神经网络（CRNN）等方法，并进行了性能比较和分析。

论文还提到了开源的调制识别工具gr-inspector，该工具基于GNU Radio和深度学习库TensorFlow，可以用于调制识别任务。具体代码可以在GitHub上找到：https://github.com/radioML/gr-inspector。

---

3. RML 2016.10b数据集的文献

RML 2016.10b数据集的文献是《Convolutional Recurrent Neural Networks for Radio Modulation Classification》。该论文由Timothy O'Shea和Svetlana S. Padala发表在2017年。

论文详细介绍了RML 2016.10b数据集的构建和一些调制识别实验结果。RML 2016.10b数据集是使用GNU Radio生成的，包括11种数字调制方式和20个信噪比值的合成样本。与RML 2016.04c和RML 2016.10a数据集相比，RML 2016.10b数据集的样本数量更大。

论文中主要介绍了使用卷积循环神经网络（CRNN）进行调制识别的方法，并提到了训练CRNN模型的具体细节。

论文还对比了使用CNN、LSTM和CRNN等不同模型的性能，并提出了一种基于CRNN的新的分层架构来提高调制识别的准确性。

---

4. RML 2018.01a数据集的文献

RML 2018.01a数据集的文献是《Deep Learning-Based Modulation Classification for
Internet of Things》。该论文由Yunqi Liu等人发表于2019年。

论文中提到了RML 2018.01a数据集并介绍了该数据集的构建方法。RML 2018.01a数据集是使用GNU Radio生成的，包含各种数字调制方式和不同信噪比的合成样本。与之前的数据集相比，RML 2018.01a数据集的样本数量更大，并且包含了一些适用于物联网通信的特定调制方式。

论文中主要介绍了使用深度学习方法进行调制识别的实验。作者尝试了多种深度学习模型，包括卷积神经网络（CNN）、循环神经网络（RNN）和长短时记忆网络（LSTM）等，对这些模型进行了比较和分析。

---

5. HisarMod2019.1数据集的文献

HisarMod2019.1数据集的文献是《Deep Modulation Classification Using Time-Frequency Representations and Convolutional Neural Networks》。该论文由Kaumudibikash Mohapatra等人发表在2019年。

论文介绍了HisarMod2019.1数据集的构建和一些实验结果。HisarMod2019.1数据集是在Hisar大学的实验室环境中采集的真实无线电信号样本，包括11种数字调制方式和10个信噪比值。

论文中主要提出了一种基于时频表示和卷积神经网络（CNN）的调制识别方法。论文介绍了使用短时傅里叶变换（STFT）和连续小波变换（CWT）对信号进行预处理，并使用CNN模型进行调制识别。

该文还对比了使用不同的分类器和特征提取方法的性能。

---

总结一下，这五个数据集的文献分别是：

1. RML 2016.04c数据集的文献：《Radio Machine Learning Dataset for Modulation Classification》
2. RML 2016.10a数据集的文献：《Over-the-Air Deep Learning Based Radio Signal Classification》
3. RML 2016.10b数据集的文献：《Convolutional Recurrent Neural Networks for Radio Modulation Classification》
4. RML 2018.01a数据集的文献：《Deep Learning-Based Modulation Classification for Internet of Things》
5. HisarMod2019.1数据集的文献：《Deep Modulation Classification Using Time-Frequency Representations and Convolutional Neural Networks》。

这些文献详细介绍了数据集的构建方法、一些实验结果，以及使用深度学习方法进行调制识别的方法和性能比较。在文献中，也可以找到相关的代码和开源工具供学习和使用。