掌握通信调制识别在课程导论中的定位、故障信号与验证顺序。
课程导论能跑不代表稳定，真正要确认的是对象边界、状态变化和验证证据。
本节围绕通信调制识别建立一条更容易复测的联调路径。
在电磁频谱日益拥挤的今天，一名现场工程师可能面对这样的困境：产线上同时运行着数十台采用不同调制方式的无线设备——通信调制识别（Communication Modulation Recognition）与雷达识别（Radar Recognition）技术，正是从混沌信号中剥离出“谁在说话、谁在探测、意图为何”的核心能力。本课程并非理论堆砌，而是围绕一条从信号采样到模型部署的完整链路展开，解决真实场景中“信号类型误判导致产线停线”“雷达波形混淆引发报警误报”等高频痛点
课程以通信调制雷达识别工程全景（Engineering Panorama of Communication Modulation and Radar Recognition）为起点，锁定三大技术栈：基于特征工程的经典分类方法、基于深度学习的端到端识别网络，以及面向边缘设备的模型轻量化部署。你将看到如何用 GNU Radio 采集真实 I/Q 数据，如何用 PyTorch 搭建一个能区分 11 种调制方式的 CNN 模型，又如何在 ONNX Runtime 下将推理延迟压至 5ms 以内
本课程的核心交付不是“看懂论文”，而是“跑通一条可复现的工程流水线”。所有案例均基于公开数据集（RadioML 2018.01A）与自采雷达脉冲样本，确保你在课程结束时能独立完成从信号标注到模型上线的全流程
我们将整个通信调制识别与雷达识别学习路线（Learning Roadmap for Communication Modulation and Radar Recognition）拆解为四个递进阶段，每个阶段都对应一个可验证的里程碑
这条路径的设计原则是“先能跑通，再谈优化”。第一阶段不要求你精通通信原理，而是直接上手用 scipy.signal 计算特征；第四阶段则直面现场工程师最头疼的问题：为什么模型在实验室准确率 98%，到了产线却只有 70%？
某自动化产线同时使用 ZigBee（O-QPSK）、Wi-Fi（OFDM）和工业雷达（FMCW）进行物料定位。由于频谱重叠，雷达频繁误将 Wi-Fi 信号识别为障碍物，导致 AGV 急停。本课程第四阶段将复现此场景：通过多通道同步采集、时频图预处理与集成模型投票，将误报率从 12% 降至 0.3% 以下
课程结束时，你将具备以下四项可直接迁移至工作的能力：
课程首周，请完成以下环境准备：安装 Python 3.9+、PyTorch 2.0+、GNU Radio 3.10，并下载 RadioML 2018.01A 数据集。我们将提供一份 environment.yml 文件，确保你 30 分钟内复现出第一个基线结果
不要一上来就追求“最先进”的 Transformer 模型。在调制识别任务中，一个设计良好的 ResNet-18 在信噪比高于 0dB 时往往优于复杂架构，且推理速度快 3 倍以上。本课程会明确给出每种场景的选型边界
最后，请记住本课程的底层逻辑：通信调制识别（Communication Modulation Recognition）与雷达识别（Radar Recognition）并非孤立技术，它们在特征空间、网络架构和部署策略上存在大量可复用的工程模式。我们的目标不是让你记住所有调制方式的参数，而是让你掌握一套“遇到新信号→提取特征→训练模型→部署验证→持续迭代”的工程方法论。下一节，我们将直接从一段真实的 I/Q 数据入手，完成第一次调制识别