AIMC-Spec: A Benchmark Dataset for Automatic Intrapulse Modulation Classification under Variable Noise Conditions

📄 arXiv: 2601.08265v1 📥 PDF

作者: Sebastian L. Cocks, Salvador Dreo, Feras Dayoub

分类: cs.CV

发布日期: 2026-01-13

备注: This work is published in IEEE Access DOI: 10.1109/ACCESS.2025.3645091

DOI: 10.1109/ACCESS.2025.3645091

💡 一句话要点

提出AIMC-Spec数据集，用于噪声环境下雷达信号内脉冲调制自动分类

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 内脉冲调制分类 雷达信号分析 深度学习 合成数据集 频谱图

📋 核心要点

  1. 现有AIMC方法缺乏标准数据集，难以在噪声环境下进行有效评估和比较。
  2. 论文构建了包含多种调制类型和信噪比的合成数据集AIMC-Spec，用于训练和评估模型。
  3. 实验表明，不同深度学习模型在AIMC-Spec上的性能差异显著，为后续研究提供了基准。

📝 摘要（中文）

本文针对雷达信号分析中内脉冲调制自动分类(AIMC)任务缺乏标准化数据集的问题，提出了一个综合性的合成数据集AIMC-Spec。该数据集专为基于频谱图的图像分类设计，包含33种调制类型和13个信噪比(SNR)等级。为了评估AIMC-Spec的性能，本文重新实现了五个具有代表性的深度学习算法，包括轻量级CNN、去噪架构和基于Transformer的网络，并在统一的输入格式下进行了评估。结果表明，不同算法的性能差异显著，其中调频(FM)信号的分类效果优于相位或混合类型信号，尤其是在低信噪比下。进一步的FM信号测试突出了调制类型和网络架构对分类器鲁棒性的影响。AIMC-Spec为AIMC领域的研究和标准化奠定了可复现的基础。

🔬 方法详解

问题定义：内脉冲调制自动分类(AIMC)旨在从单个雷达脉冲的复数同相和正交(I/Q)表示中识别其内部的调制类型。现有方法由于缺乏标准化的数据集，尤其是在噪声或退化条件下，难以进行有效的训练、评估和比较，阻碍了该领域的发展。

核心思路：本文的核心思路是构建一个包含多种调制类型和信噪比的合成数据集，为AIMC任务提供一个统一的评估平台。通过在不同噪声水平下对各种调制类型进行建模，可以更全面地评估算法的鲁棒性和泛化能力。

技术框架：整体框架包括数据集生成和模型评估两个主要阶段。数据集生成阶段，根据33种不同的调制类型和13个信噪比等级，生成大量的合成雷达信号数据，并将其转换为频谱图图像。模型评估阶段，选择五个具有代表性的深度学习算法，包括CNN、去噪自编码器和Transformer网络，在AIMC-Spec数据集上进行训练和测试。

关键创新：该论文的关键创新在于构建了一个大规模、多样化的合成数据集AIMC-Spec，该数据集覆盖了多种调制类型和信噪比，能够更全面地评估AIMC算法的性能。与以往研究中使用的较小规模或单一类型的数据集相比，AIMC-Spec更具代表性和实用性。

关键设计：数据集生成过程中，对每种调制类型都进行了精确的数学建模，并添加了不同水平的噪声，以模拟真实的雷达信号环境。在模型评估过程中，所有模型都使用了统一的输入格式，并采用了相同的训练和测试流程，以确保评估的公平性和可比性。选择了频谱图作为输入，因为频谱图能够有效地表示雷达信号的时频特性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在AIMC-Spec数据集上，不同深度学习算法的性能差异显著。调频(FM)信号的分类效果优于相位或混合类型信号，尤其是在低信噪比下。例如，某些模型在FM信号上的分类准确率可以达到90%以上，而在相位调制信号上的准确率则低于70%。此外，针对FM信号的专门测试表明，调制类型和网络架构对分类器的鲁棒性有显著影响。

🎯 应用场景

该研究成果可应用于电子支援系统中的雷达信号分析，实现对雷达信号内脉冲结构的自动解释。通过自动识别雷达信号的调制类型，可以提高电子支援系统的响应速度和准确性，在军事侦察、电子对抗等领域具有重要的应用价值。未来，该数据集可以促进更多先进的AIMC算法的开发，提升雷达信号处理的智能化水平。

📄 摘要（原文）

A lack of standardized datasets has long hindered progress in automatic intrapulse modulation classification (AIMC) - a critical task in radar signal analysis for electronic support systems, particularly under noisy or degraded conditions. AIMC seeks to identify the modulation type embedded within a single radar pulse from its complex in-phase and quadrature (I/Q) representation, enabling automated interpretation of intrapulse structure. This paper introduces AIMC-Spec, a comprehensive synthetic dataset for spectrogram-based image classification, encompassing 33 modulation types across 13 signal-to-noise ratio (SNR) levels. To benchmark AIMC-Spec, five representative deep learning algorithms - ranging from lightweight CNNs and denoising architectures to transformer-based networks - were re-implemented and evaluated under a unified input format. The results reveal significant performance variation, with frequency-modulated (FM) signals classified more reliably than phase or hybrid types, particularly at low SNRs. A focused FM-only test further highlights how modulation type and network architecture influence classifier robustness. AIMC-Spec establishes a reproducible baseline and provides a foundation for future research and standardization in the AIMC domain.