MATLAB-Simulated Dataset for Automatic Modulation Classification in Wireless Fading Channels

该数据集由伊斯兰技术大学电气与电子工程系的研究人员创建，包含使用五种数字调制方案（BPSK、QPSK、16-QAM、64-QAM和256-QAM）调制随机生成的位流，并在具有标准化参数的莱斯和莱斯信道中传输的信号。数据集包含每个调制信号1000个符号，并从信号中提取了全面的特征集，包括统计、时域、频域、基于频谱图和基于图像处理的描述符。数据集分为10个CSV文件，覆盖两种信道类型（莱斯和莱斯）和五种采样频率（1MHz、10MHz、100MHz、500MHz和1GHz）。该数据集为在无线通信系统中开发机器学习模型提供宝贵的基准。

This dataset was developed by researchers from the Department of Electrical and Electronic Engineering, Islamic University of Technology. It consists of signals generated by modulating randomly generated bit streams using five digital modulation schemes: BPSK, QPSK, 16-QAM, 64-QAM, and 256-QAM, which were transmitted over Rician and Rician channels with standardized parameters. The dataset includes 1000 symbols per modulated signal, and a comprehensive set of features has been extracted from these signals, including statistical, time-domain, frequency-domain, spectrogram-based, and image-processing-based descriptors. The dataset is split into 10 CSV files, covering the two channel types and five sampling frequencies: 1 MHz, 10 MHz, 100 MHz, 500 MHz, and 1 GHz. This dataset provides a valuable benchmark for developing machine learning models in wireless communication systems.

搜集汇总

数据集介绍

构建方式

在无线通信领域，调制分类是认知无线电和自适应通信系统的核心挑战。该数据集通过MATLAB仿真构建，首先生成随机比特流，并采用五种数字调制方案（BPSK、QPSK、16-QAM、64-QAM和256-QAM）进行调制，每个信号包含1000个符号以确保统计稳定性。随后，信号通过瑞利和莱斯衰落信道传输，模拟非视距和视距环境，并引入加性高斯白噪声、阴影衰落和邻道干扰等失真，以增强现实性和多样性。特征提取涵盖统计矩、时域、频域、谱图、谱相关及图像处理技术（如BRISK、MSER和GLCM），最终生成10个CSV文件，覆盖不同采样频率和信道类型。

使用方法

该数据集适用于机器学习模型在调制分类和信号识别中的开发与评估。用户可直接访问Mendeley数据仓库中的CSV文件，每个文件包含标注的调制类型和提取特征，便于导入Python或MATLAB进行预处理和模型训练。数据集支持监督学习框架，如随机森林或支持向量机，也可用于深度学习方法，如域对抗神经网络，以测试模型在多变信道条件下的泛化能力。随附的MATLAB脚本允许用户自定义参数，如调制方案、信噪比或特征类型，促进数据再生和扩展实验。通过分析特征与目标变量的相关性，研究者可优化特征选择，提升分类性能，推动认知无线电和5G网络等应用领域的创新。

背景与挑战

背景概述

在认知无线电与自适应通信系统研究中，调制分类技术是支撑动态频谱管理与智能信号处理的核心环节。由伊斯兰科技大学电气工程系研究人员于2025年构建的MATLAB仿真数据集，聚焦于无线衰落信道下的自动调制分类问题，涵盖BPSK至256-QAM五种数字调制信号在瑞利与莱斯信道中的传播特性。该数据集通过多维度特征提取与标准化信道建模，为机器学习算法在盲信号识别领域的性能评估提供了基准平台，显著推进了5G网络与认知无线电系统的智能化发展进程。

当前挑战

该数据集需应对调制分类领域的两大核心挑战：在技术层面，高阶QAM信号因星座图复杂度提升导致特征重叠加剧，而多径衰落与多普勒效应则进一步加剧了特征分布的随机性；在构建过程中，需平衡仿真真实性与计算复杂度，通过融合传统统计特征与BRISK、MSER等图像特征提取技术，克服固定采样频率对时频分析分辨率的约束，同时确保跨信道类型与频段的特征一致性。

常用场景

经典使用场景

在无线通信系统研究中，该数据集常被用于自动调制分类任务的基准测试。通过模拟瑞利和莱斯衰落信道下的五种数字调制信号，研究者能够评估机器学习模型在盲信号识别场景中的性能。其涵盖的广泛采样频率范围使得模型能够适应不同带宽条件下的分类需求，为认知无线电和自适应通信系统提供了可靠的实验平台。

解决学术问题

该数据集有效解决了无线通信领域盲调制分类的核心挑战。通过提供包含多维度特征的标准化数据，支持了从传统统计方法到深度学习模型的性能验证。特别在域自适应神经网络研究中，该数据集被用于验证特征分布对齐技术，显著提升了模型在时变信道条件下的鲁棒性，推动了信号处理与机器学习交叉领域的方法创新。

实际应用

该数据集模拟的真实信道特性使其在5G网络和认知无线电系统中具有重要应用价值。通信设备制造商可利用其开发智能信号识别模块，实现动态频谱分配和干扰管理。网络安全领域则借助该数据集训练信号指纹识别系统，用于非合作通信节点的检测与监控，显著提升了无线网络的安全性与资源利用率。

数据集最近研究

最新研究方向

在无线通信领域，自动调制分类技术正朝着多模态特征融合与跨域鲁棒性方向深化发展。该数据集通过整合统计特征、频域分析与时频图像处理技术，为研究非协作场景下的智能信号识别提供了重要基准。前沿研究聚焦于利用对抗性神经网络解决信道条件动态变化带来的分类性能衰减问题，同时探索基于图像处理的高维特征提取方法在频谱感知中的应用潜力，为5G及未来通信系统的认知无线电与自适应传输技术奠定理论基础。

相关研究论文

• MATLAB-Simulated Dataset for Automatic Modulation Classification in Wireless Fading Channels

  伊斯兰技术大学电气与电子工程系 · 2025年