Python深度学习：最全的RML2018a数据集处理代码，你想要的数据集都可容易获取

文章目录

    • 1. 拆分比较细的版本
    • 2. 最终留下的万能版本

1. 拆分比较细的版本

import h5py
import numpy as np
import scipy.io as io
import os# 数据集：RML2018a (24种调制方式 * 26种信噪比* 4096个样本）=2555904
class ReadData():# 初始化def __init__(self,path): self.path=pathself.data=self.read_raw_data()self.X=self.data['X']self.Y=self.data['Y']self.Z=self.data['Z']self.mods=['OOK', '4ASK', '8ASK', 'BPSK', 'QPSK', '8PSK', '16PSK', '32PSK','16APSK', '32APSK','64APSK', '128APSK', '16QAM', '32QAM', '64QAM','128QAM', '256QAM', 'AM-SSB-WC', 'AM-SSB-SC', 'AM-DSB-WC', 'AM-DSB-SC', 'FM', 'GMSK', 'OQPSK'] # 24种调制方式self.snrs = list(range(-20, 31, 2)) # 26种信噪比self.len_mods=len(self.mods) # 24种调制方式self.len_snrs=len(self.snrs) # 26种信噪比self.sample_num=4096 # 单一信噪比下单一调制方式的样本个数# 读取数据，并返回一个字典def read_raw_data(self):data={}with h5py.File(self.path, 'r') as h5file:  data['X'] = h5file['X'][:]  # ndarray(2555904, 1024, 2)data['Y'] = h5file['Y'][:]  # ndarray(2555904*24)，标签，one-hot形式data['Z'] = h5file['Z'][:]  # ndarray(2555904*1),信噪比print('数据维度 X：',data['X'].shape)   print('标签维度one-hot形式 Y：',data['Y'].shape)   print('信噪比 Z：',data['Z'].shape) return data# 将原始数据拆分为：一种信噪比下的一种调制方式就是一个单独的文件（共有24*26=624）def split_snr_mod_data(self):snr_mod_folder='data/snr_mod_data' # 创建保存数据的文件夹if not os.path.exists(snr_mod_folder):os.makedirs(snr_mod_folder)n = 0for i in range(0, self.len_mods, 1):for j in range(0, self.len_snrs, 1):IQ = self.X[n * self.sample_num:(n + 1) * self.sample_num, :, :]path = 'data/snr_mod_data/'+ self.mods[i] + "_SNR=" + str(self.snrs[j]) + "dB.mat"io.savemat(path, {'IQ_data': IQ})n = n + 1print('END')# 将原始数据保存到单个的文件中，一种信噪比就是一个单独的文件def split_snr_data(self):snr_folder='data/snr_data' # 创建保存数据的文件夹if not os.path.exists(snr_folder):os.makedirs(snr_folder)# 每种调制方式和信噪比组合的数据量samples_per_mod_snr = self.sample_numtotal_mods = len(self.mods) # 24total_snrs = len(self.snrs) # 26# 按信噪比保存数据for snr_index, snr in enumerate(self.snrs):# 创建存储当前信噪比下所有调制方式数据的列表combined_IQ = []for mod_index in range(total_mods):# 计算当前信噪比和调制方式下的索引范围start_index = mod_index * total_snrs * samples_per_mod_snr + snr_index * samples_per_mod_snrend_index = start_index + samples_per_mod_snr# 提取对应的IQ数据IQ = self.X[start_index:end_index, :, :]combined_IQ.append(IQ)# 将所有调制方式的数据合并为一个大数组combined_IQ = np.concatenate(combined_IQ, axis=0)# 保存数据到MAT文件path = f'data/snr_data/SNR={snr}dB.mat'io.savemat(path, {'IQ_data': combined_IQ})print('END')    # 将原始数据保存到单个的文件中，一种调制方式就是一个单独的文件def split_mod_data(self):snr_folder='data/mod_data' # 创建保存数据的文件夹if not os.path.exists(snr_folder):os.makedirs(snr_folder)# 每种调制方式和信噪比组合的数据量samples_per_mod_snr = self.sample_numtotal_snrs = self.len_snrs # 26# 按调制方式保存数据for mod_index, mod in enumerate(self.mods):# 创建存储当前调制方式下所有信噪比数据的列表combined_IQ = []for snr_index in range(total_snrs):# 计算当前信噪比和调制方式下的索引范围start_index = mod_index * total_snrs * samples_per_mod_snr + snr_index * samples_per_mod_snrend_index = start_index + samples_per_mod_snr# 提取对应的IQ数据IQ = self.X[start_index:end_index, :, :]combined_IQ.append(IQ)# 将所有信噪比的数据合并为一个大数组combined_IQ = np.concatenate(combined_IQ, axis=0)# 保存数据到MAT文件path = f'data/mod_data/{mod}_all_SNRs.mat'io.savemat(path, {'IQ_data': combined_IQ})print('END')    # 将所需要的数据集保存到单个的文件中（调制方式的范围和信噪比的范围）
def split_snr_mod_choice_data(data_folder,choice_mods,choice_snrs):save_folder='data/snr_mod_choice_data' # 创建保存数据的文件夹if not os.path.exists(save_folder):os.makedirs(save_folder)# 先计算出要取的文件的文件名name_list=[]for mod in choice_mods:for snr in choice_snrs:file_name=mod+'_SNR='+str(snr)+'dB.mat'name_list.append(file_name)print(name_list)# 再遍历取出对应文件 data_list=[]for root, dirs, files in os.walk(data_folder):  for file in files:  if file in name_list:data=io.loadmat(os.path.join(root, file))['IQ_data']print(data.shape)  data_list.append(data)stacked_array = np.concatenate(data_list, axis=0) print(stacked_array.shape)  str_mod='-'.join(choice_mods)  choice_snrs_str=[str(snr) for snr in choice_snrs]str_snr='-'.join(choice_snrs_str)name=str_mod+'+'+str_snrprint(name)path = f'data/snr_mod_choice_data/{name}.mat'io.savemat(path, {'IQ_data': stacked_array})if __name__ == '__main__':# 初次执行的话，先执行Step1切分数据，以后再筛选不同数据集时直接执行Step2即可# ------------------------Step1 切分数据集 ------------------------------# raw_data_path='data/GOLD_XYZ_OSC.0001_1024.hdf5'# read_data=ReadData(path=raw_data_path)# read_data.split_snr_mod_data()# read_data.split_snr_data()# read_data.split_mod_data()# # ------------------------Step2 挑选数据集  ----------------------------choice_mods=['OOK', '4ASK', '8ASK']choice_snrs=[0,2,4]data_folder='data/snr_mod_data' # 存放原始数据的地方split_snr_mod_choice_data(data_folder,choice_mods,choice_snrs)

2. 最终留下的万能版本

import h5py
import numpy as np
import scipy.io as io
import os# 数据集：RML2018a (24种调制方式 * 26种信噪比* 4096个样本）=2555904
class ReadData():# 初始化def __init__(self,path): self.path=pathself.data=self.read_raw_data()self.X=self.data['X']self.Y=self.data['Y']self.Z=self.data['Z']self.mods=['OOK', '4ASK', '8ASK', 'BPSK', 'QPSK', '8PSK', '16PSK', '32PSK','16APSK', '32APSK','64APSK', '128APSK', '16QAM', '32QAM', '64QAM','128QAM', '256QAM', 'AM-SSB-WC', 'AM-SSB-SC', 'AM-DSB-WC', 'AM-DSB-SC', 'FM', 'GMSK', 'OQPSK'] # 24种调制方式self.snrs = list(range(-20, 31, 2)) # 26种信噪比self.len_mods=len(self.mods) # 24种调制方式self.len_snrs=len(self.snrs) # 26种信噪比self.sample_num=4096 # 单一信噪比下单一调制方式的样本个数self.snr_mod_folder='data/split' # 保存数据的文件夹# 读取数据，并返回一个字典def read_raw_data(self):data={}with h5py.File(self.path, 'r') as h5file:  data['X'] = h5file['X'][:]  # ndarray(2555904, 1024, 2)data['Y'] = h5file['Y'][:]  # ndarray(2555904*24)，标签，one-hot形式data['Z'] = h5file['Z'][:]  # ndarray(2555904*1),信噪比print('数据维度 X：',data['X'].shape)   print('标签维度one-hot形式 Y：',data['Y'].shape)   print('信噪比 Z：',data['Z'].shape) return data# 将原始数据拆分为：一种信噪比下的一种调制方式就是一个单独的文件（共有24*26=624）def split_data(self):if not os.path.exists(self.snr_mod_folder):os.makedirs(self.snr_mod_folder)n = 0for i in range(0, self.len_mods, 1):for j in range(0, self.len_snrs, 1):IQ = self.X[n * self.sample_num:(n + 1) * self.sample_num, :, :]path = self.snr_mod_folder+ '/'+self.mods[i] + "_SNR=" + str(self.snrs[j]) + "dB.mat"io.savemat(path, {'IQ_data': IQ})n = n + 1print('END')  # 将所需要的数据集保存到单个的文件中（调制方式的范围和信噪比的范围）
def choice_data(data_folder,choice_mods,choice_snrs):save_folder='data/choice' # 创建保存数据的文件夹if not os.path.exists(save_folder):os.makedirs(save_folder)# 先计算出要取的文件的文件名name_list=[]for mod in choice_mods:for snr in choice_snrs:file_name=mod+'_SNR='+str(snr)+'dB.mat'name_list.append(file_name)print(name_list)# 再遍历取出对应文件 data_list=[]for root, dirs, files in os.walk(data_folder):  for file in files:  if file in name_list:data=io.loadmat(os.path.join(root, file))['IQ_data']print(data.shape)  data_list.append(data)stacked_array = np.concatenate(data_list, axis=0) print(stacked_array.shape)  # 获取文件名str_mod='-'.join(choice_mods)  choice_snrs_str=[str(snr) for snr in choice_snrs]str_snr='-'.join(choice_snrs_str)name=str_mod+'+'+str_snrprint(name)path = save_folder+f'/{name}.mat'io.savemat(path, {'IQ_data': stacked_array})if __name__ == '__main__':# 初次执行的话，先执行Step1切分数据，以后再筛选不同数据集时直接执行Step2即可# ------------------------Step1 切分数据集 ------------------------------# raw_data_path='data/raw/GOLD_XYZ_OSC.0001_1024.hdf5'# read_data=ReadData(path=raw_data_path)# read_data.split_data()# # ------------------------Step2 挑选数据集  ----------------------------choice_mods=['OOK', '4ASK', '8ASK']# choice_snrs=[0,2,4]choice_snrs=list(range(0, 31, 2)) # 15种信噪比data_folder='data/split' # 存放原始数据的地方choice_data(data_folder,choice_mods,choice_snrs)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/pingmian/14178.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

最新腾讯音乐人挂机脚本，号称日赚300+【永久脚本+使用教程】

最新腾讯音乐人挂机脚本，号称日赚300+【永久脚本+使用教程】

项目介绍 首先需要认证腾讯音乐人，上传自己的歌曲，然后用小号通过脚本去刷自己的歌曲 ，赚取播放量 ，1万播放大概就是50到130之间 腾讯认证不需要露脸，不吞量，不封号 脚本，全自动无脑挂机&…
阅读更多...
pyecharts 输出空白不显示图形的解决办法

pyecharts 输出空白不显示图形的解决办法

20240520补充： pyecharts在JupyterLab中无法显示的解决方案-CSDN博客 可以不用再看下面降级 notebook 的方法了，主要的原因是 pyecharts 在 notebook 7 之后使用了 JUPYTER_LAB 来画图了，看上面篇文章就可以了。 问题： 全新安…
阅读更多...
Redis篇 有关Redis的认识和Redis的特性应用场景

Redis篇 有关Redis的认识和Redis的特性应用场景

Redis 一. Redis的基本概念1.1 应用/系统1.2 模块/组件1.3 分布式1.4 集群1.5 主/从1.6 中间件1.7 可用性1.8 响应时长1.9 吞吐 二.Redis的特性三.使用场景 一. Redis的基本概念 1.1 应用/系统 一个应用就是一个组,一个服务器程序 1.2 模块/组件 一个应用,里面有很多功能,每个…
阅读更多...
用户态网络缓冲区设计

用户态网络缓冲区设计

基于数组实现的环形缓冲区： 优点 使用固定大小的连续空间做用户态缓冲区，利用了内存访问的局部性，可以提高缓存命中率，提高程序性能，在处理大量数据时，缓存的利用率对性能有着很大的影响 正是基于性能的…
阅读更多...
Ceph集群RBD块存储：快照与Copy-on-Write克隆的基本操作

Ceph集群RBD块存储：快照与Copy-on-Write克隆的基本操作

文章目录 1.RBD块存储镜像克隆概念2.copy-on-write克隆的基本使用2.1.在块存储中创建一个快照2.2.将快照配置成保护模式2.3.基于快照克隆出镜像2.4.使用克隆的镜像2.5.查看一个快照下有哪些克隆的镜像 1.RBD块存储镜像克隆概念 镜像克隆官方文档：https://docs.ceph…
阅读更多...
飞睿智能超宽带UWB标签模组，简化设备开发流程，实时高速率数传交互应用

飞睿智能超宽带UWB标签模组，简化设备开发流程，实时高速率数传交互应用

在科技飞速发展的今天，UWB超宽带技术因其高精度、低功耗和高安全性的特点，正逐渐成为智能设备定位和数据传输的新宠。 UWB技术是一种无线通信技术，它通过使用非常宽的频带进行数据传输，从而实现高数据传输速率和高精度定位。 飞…
阅读更多...
qt designer 依赖库 QMessageBox

qt designer 依赖库 QMessageBox

目录 qt designer 依赖库配置实例 单步调试快捷键 f10 QMessageBox 使用方法 背景图设置
阅读更多...
【机器学习】基于核的机器学习算法应用

【机器学习】基于核的机器学习算法应用

大数据时代下，基于核的机器学习算法：原理、应用与未来展望 一、引言二、核函数的概念与重要性三、基于核的算法原理与步骤四、基于核的算法应用实例五、总结与展望 一、引言 在大数据时代的浪潮下，数据的价值被无限放大，而如何高…
阅读更多...
java操作Redis缓存设置过期时间

java操作Redis缓存设置过期时间

如何用java操作Redis缓存设置过期时间？很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。 在应用中我们会需要使用redis设置过期时间&…
阅读更多...
c++中 std::iterator_traits与if constexpr 语句用法

c++中 std::iterator_traits与if constexpr 语句用法

std::iterator std::iterator_traits 是 C 标准库中的一个模板类，用于提取迭代器的特征（traits）。它提供了一种统一的方式来访问迭代器的特征，比如迭代器的值类型、指针类型、引用类型等。 std::iterator_traits 的定义如下&…
阅读更多...
华为云认证和阿里云认证区别在哪？建议考哪个？

华为云认证和阿里云认证区别在哪？建议考哪个？

在云计算的浪潮中，专业认证成为提升个人技能和职场竞争力的重要途径。 华为云认证和阿里云认证，作为两大国内云服务商提供的专业技术认证，各自承载着不同的特点和行业认可度，各自以独特的优势服务于企业和个人。 对于追求专业成长…
阅读更多...
vue三级联动组件

vue三级联动组件

背景 项目中经常出现三级下拉框组件的要求，这种组件其中一级发生变化，子级的组件就会发生变化如果这一个组件，单独作为搜索条件使用，很好写，同时作为搜索条件和form回写组件，回显就比较困难 子组件代码 将与…
阅读更多...
FaceFusion源码框架解读

FaceFusion源码框架解读

FaceFusion源码框架解读 我的视频讲解：FaceFusion入门教学 FaceFusion官网 FaceFusion是一款开源的AI换脸工具，一款非常好用的换脸工具，操作简单，上手容易。 Facefusion：GitHub - facefusion/facefusion: Next gene…
阅读更多...
我怎么使用AI大语言模型学英语

我怎么使用AI大语言模型学英语

今天已经是我开始英语拉练任务的第39天了，一直在笃定的、雷打不动的、机械笨拙的重复做一件事，那就是使用AI工具，将我想要说的话翻译成英文，生成语音文件，每天朗读三小时，最终整个背下来。我也在思考&#…
阅读更多...
【Java】手把手学会数组的使用

【Java】手把手学会数组的使用

数组的基本用法 创建数组 基本语法： // 动态初始化 数据类型 [] 数组名称 new 数据类型 [] { 初始化数据 }; // 静态初始化 数据类型 [] 数组名称 { 初始化数据 }; 代码示例： int[] array1 {1,2,3,4,5};int[] array2 new int[]…
阅读更多...
JS、Go、Rust 错误处理的不同 - JS 可以不用 Try/Catch 吗？

JS、Go、Rust 错误处理的不同 - JS 可以不用 Try/Catch 吗？

原文：Mateusz Piorowski - 2023.07.24 先来了解一下我的背景吧。我是一名软件开发人员，有大约十年的工作经验，最初使用 PHP，后来逐渐转向 JavaScript。 大约五年前，我开始使用 TypeScript，从那时起&#…
阅读更多...
Flume 的基本介绍和安装部署

Flume 的基本介绍和安装部署

一、Flume 概述 Flume 是 Cloudera 提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的框架服务 Flume 基于流式架构，灵活简单，能够实时读取服务器本地磁盘的数据，将数据写入到 HDFS 二、Flume 基础架构…
阅读更多...
Cloneable 接口和深拷贝，浅拷贝

Cloneable 接口和深拷贝，浅拷贝

目录 一.Cloneable 接口 二.浅拷贝 三.深拷贝 四.comparable接口、 五.comparator接口 1.Java 中内置了一些很有用的接口 , Cloneable 就是其中之一 . Object 类中存在一个 clone 方法 , 调用这个方法可以创建一个对象的 " 拷贝 ". 2.来说说调用 clone 方法…
阅读更多...
基于深度学习的表情识别系统

基于深度学习的表情识别系统

欢迎大家点赞、收藏、关注、评论啦 ，由于篇幅有限，只展示了部分核心代码。 文章目录 一项目简介 二、功能三、系统四. 总结 一项目简介 一、项目背景 随着人工智能技术的快速发展，表情识别成为了人机交互领域的一个研究热点。表情识别技术旨…
阅读更多...
Python数字比大小获取大的数

Python数字比大小获取大的数

目录 一、引言 二、数字比较的基本语法 三、获取较大的数 使用条件语句 使用内置函数 四、处理特殊情况 比较非数字类型 处理无穷大和NaN 五、应用实例 在游戏开发中比较分数 在数据分析中找出最大值 六、优化与性能 七、总结 一、引言 在Python编程的广阔天地中…
阅读更多...
最新文章

Copyright @ 2022~2023