随着 5G/6G 网络、物联网和智能感知技术的快速发展，射频通信系统正面临信道复杂、信号稠密、设计非线性、优化成本高等突出挑战。传统基于专家经验的建模与电路设计方法，在复杂场景下往往效率低、难以推广。与此同时，深度学习与机器学习方法凭借其强大的非线性拟合与模式识别能力，正在逐步渗透到射频研究领域。从射频数据集构建（GNU Radio、NIST、RadioML）、自动调制识别（CNN/CLDNN）、射频指纹识别（RF Fingerprinting）、动态频谱管理（强化学习Gym平台）、AI驱动电路设计（AICircuit、监督学习基准），AI 已成为推动无线通信和电路设计智能化的核心动力。本课程顺应 AI 与射频深度融合的趋势，系统呈现从算法、数据到工程应用的完整知识链条。

概述

旨在为学员系统讲解人工智能在模拟与射频电路设计、频谱感知、调制识别与信号处理等前沿领域的应用，结合深度学习、强化学习与监督学习等核心算法，帮助学员掌握 AI 驱动的射频智能化设计与通信系统优化方法。课程内容涵盖从数据集构建（RadioML、AICircuit 等）、深度学习模型（CNN、RNN、Transformer、FNO）、到应用案例（自动调制识别、射频指纹识别、动态频谱接入、智能电路参数预测）的一体化教学体系。课程通过“理论讲解+实操训练+案例分析”的递进式框架，深入展示 AI 如何赋能 5G/6G 通信、物联网、毫米波雷达与模拟电路设计等场景。

目标

将培养学员掌握 AI 驱动射频智能化研究的核心能力，主要目标包括：

1、系统掌握射频领域的公开数据集构建与使用方法，包括 GNU Radio 合成数据集、RadioML 基准数据集、AICircuit 电路参数-性能数据集。

2、理解并能实现主流深度学习与机器学习方法在射频中的应用：CNN/RNN 在自动调制识别、Transformer 在电路参数预测、FNO 在非线性信号回归中的应用。

3、能够利用 Python 与深度学习框架（TensorFlow/PyTorch）完成从数据预处理、模型训练到性能评估的完整流程。

4、掌握 AI 在射频通信中的典型应用案例：自动调制识别、射频指纹识别、频谱感知与管理（RL/DRL）、信号分类与抗干扰建模。

5、学会使用 AICircuit 数据集与监督学习方法，实现模拟/射频电路的智能化参数设计，能够在发射机、接收机、LNA、VCO、PA 等电路中进行性能预测与优化。

最终，使学员具备从 数据集构建—算法建模—工程应用的全链条实战能力，能够将 AI 技术应用于射频通信与电路设计的前沿研究与产业场景。

AI赋能射频技术大纲

第一天 射频学习数据生成与信号辨析实践（代码实践+现场演练）

上午：开源平台助力射频学习数据生成与信号辨析实践（代码实践+现场演练）

1. 前期准备（包括软件安装、环境配置、课程介绍等）

2. 机器学习神经网络概念及其案例实操、射频理论知识概述

3. 应用格局概述 开篇将审视射频智能学习的应用格局，与图像或音频领域充裕的开源资源相比，射频波形分析常因基准数据缺失而阻碍模型评估。借助GNU Radio，研究者可定制带标签的仿真数据集，融入实际信道动态，为辨析任务提供坚实支撑。

4. 数据集生成机制 数据集生成阶段，学员将逐步拆解GNU Radio的构建机制：挑选源信号（如声音或字符串输入）、多样调制模式（涵盖PSK、QAM、PAM、GFSK、AM、FM、OFDM等）、信道仿真组件（包括频率偏移、采样失真、多径效应、瑞利/莱斯衰减、AWGN噪声），并以模块拼装方式输出灵活数据集。同步解析数据清洗规范，例如将复数波形拆解为I/Q路径，以匹配TensorFlow或Keras等平台的输入格式。

5. 神经网络应用实操 重点实操转向神经网络应用，以调制辨析为标志性示例。学员导入RadioML基准库（如RML2016.10a），采用二维卷积架构（CNN2）组装辨析模块，覆盖迭代训练、效果校验及混淆图谱解析。环节还将考察高/低信噪比下的辨析鲁棒性，并对照手工特征工程与纯数据驱动学习的效能差距。

6. 衍生挑战扩展案例 进一步扩展至射频处理的衍生挑战，如：

波形精简与稀疏建模：自适应编码实现紧凑表示；

注意力层在波形优化：智能同步时域与信道均衡；

整体通信链路自适应：自编码结构驱动的编码-解码协同；

强化机制下的频谱探测与分配。

课程环节收尾 环节收尾突出数据集在射频智能体系中的基石价值。学员将融合GNU Radio与Python工具组，迅捷产出合规数据集，并领悟迭代高难度基准数据的紧迫性，以驱动5G/6G及智慧无线生态的进步。

下午：毫米波雷达成像结合神经网络的多源视觉解析应用（编程调试+效果展示）

1. 体系轴心介绍 这一模块以PanoRadar体系为轴心，探究毫米波雷达成像与神经网络的互补机制，在烟尘或昏暗条件下达成激光雷达般的三维场景重构，并赋能表面矢量推断、语义拆分及目标追踪等视觉解析流程。

2. 神经网络模块详述 神经网络模块将细述跨域整合如何放大雷达成像的清晰度。学员利用LiDAR-雷达配对样本编排训练/校验集，选用二维卷积网络替代三维运算以精简资源消耗。调试中，将解读将雷达回波的径向维度作为通道馈入的“2D仿真3D网络”理念，并经Python脚本完成架构拼合、损失策略定制及循环优化。

3. 优化阶段整合 优化阶段整合复合损失框架：L1项锁定整体深度一致，感知项（LPIPS）提炼微观纹理，辅以玻璃区屏蔽规避LiDAR透视局限。展示将聚焦多径回波干扰下的抗性，以及感知项对阶梯或护栏等复杂轮廓的精细复原。

4. 衍生扩展链接 衍生扩展将链接至视觉下游链条：在分辨率提升结果上附加表面矢量估测、语义拆解及目标追踪分支，借ResNet骨干与FPN整合完成人物/物体定位。学员将手动编码全链，并跨建筑样本检验迁移潜力。为彰显雷达感知的专属亮点，模块还将演绎“环视整合”路径，通过边缘循环与跨界IoU度量优化全景视图的追踪效能。

5. 学员将洞悉雷达波形与神经架构的联动策略，在自主机器人载体上落地三维场景解析与视觉实验。本模块超越纯理论探讨，更藉编程迭代与即时演示，锻造信号解析、视觉计算及神经学习的交叉专长。

第二天 深度学习赋能射频频谱管理与信号调制智能解析

上午：神经网络框架下的宽频带频谱即时探测实验（编程实操+演示验证）

1. 背景与需求剖析 本环节将探讨频谱共享与探测的实际语境，阐明在WiFi与LTE等多协议并存的场景中，传统能量扫描或压缩采样技术难以兼顾时效与精确度。本版本依托DeepSense架构，通过MATLAB信号合成与Python神经建模，模拟核心流程，实现无硬件依赖的完整探测对比实验。

2. 信号数据集合成 数据合成阶段，学员将运用MATLAB工具箱生成LTE、WiFi、OFDM等规范波形，叠加瑞利/莱斯衰减、采样偏差及AWGN干扰，形成带信道效应的I/Q样本库。涵盖不同信噪比的训练/验证/测试集构建，此过程替代了GNU Radio或USRP的实地采集，确保高效标签化与环境模拟。

3. 神经网络架构构建 核心实操聚焦DeepSense的一维卷积网络设计。学员将组装轻量多标签CNN，以I/Q序列为输入，对子带占用状态进行预测。训练采用交叉熵损失与Adam求解器，利用仿真样本完成迭代与校验。同时，对比CNN与能量探测器的效能，审视低信噪比下的鲁棒差异。

4. 性能评估与模拟替代 评估模块通过混淆矩阵、ROC曲线及信噪比-精度图表系统审视模型表现。原硬件部署（如FPGA加速）转为MATLAB延迟统计与曲线拟合演示，保留实时性检验的核心逻辑。学员将体会深度学习在多变环境下的优越性，而无需物理设备。

5. 工作流总结 环节尾声强化纯仿真路径的价值：从MATLAB生成到Python建模的全链验证DeepSense精髓。学员将掌握信号合成、神经训练及效能权衡的端到端技能，为无线频谱智能决策奠基。

下午：数据驱动的调制方案自动辨识技术实践（代码编码+结果解读）

1. 概念基础与传统局限 本模块将概述自动调制辨识（AMR）在认知无线电、频谱监测及干扰排查中的枢纽地位，剖析基于似然比或特征的经典方法在复杂信道下的计算负担与适应短板。随后转向深度学习路径，突出其在高维特征挖掘与一体化建模上的突破。

2. 模型架构多样探索 模型环节详解多类神经网络的部署：从无监督自编码器与深度信念网的表示学习，到DNN基于统计累积量的分类；再至CNN处理I/Q、星座或谱图输入的低噪鲁棒设计，轻量变体融入不对称核与注意力以适配5G低延时。学员将编码GRU/LSTM的RNN序列捕捉，并融合CLDNN的时空混合，提升辨识精度。

3. 数据集与实验对比 配套RadioML2016.10a/10b、2018.01a及HisarMod2019.1等开源库，学员将训练/测试14种DL-AMR变体，分析识别率、复杂度及收敛曲线。聚焦信噪比变异下的混淆模式（如16QAM与64QAM易错），并探讨数据增强与迁移学习在MIMO场景的扩展应用。

4. 前沿机制与优化策略 扩展至GAN数据扩充、注意力/Transformer的解释性提升，以及模型压缩/知识蒸馏的嵌入式适配。学员将审视这些机制如何强化泛化，满足IoT与6G的功耗约束。

学员将精炼AMR的全栈流程：从样本准备到优化部署，构建无线智能解析的实战基础。本模块藉编码迭代与效能剖析，铸就通信工程与神经计算的融合素养。

第三天 高级时空与高效卷积框架下的调制信号智能辨识

上午：多通道时空神经架构在调制辨识中的集成实验（代码实操+可视化分析）

1. 传统方法短板审视 开端将重温自动调制辨识（AMR）在信号检测与解调间的桥梁角色，剖析基于似然或特征的常规策略在动态信道下的泛化弱点与人工依赖。随即导入神经学习路径，审视CNN、RNN及CLDNN在时序与空间捕捉上的互补潜力。

2. 多通道学习理念 核心概念聚焦多通道输入的逻辑：分离I/Q双轨、单I或Q通道以挖掘互补线索，并与复合I/Q馈入协同建模，提升辨识稳定性。学员将理解此设计如何放大特征多样性，奠定MCLDNN框架的时空融合基调。

3. 架构设计与训练技巧 模型构建详解MCLDNN结构：融合1D/2D卷积的空间提取、LSTM的序列依赖捕捉，以及全连接的分类型输出。学员经Python编码搭建网络，伴随权重可视化与中间激活图，洞察多尺度信号模式。同步讲解交叉熵损失、Adam迭代、学习率衰减及dropout防过拟合的实战配置。

4. 数据集对比与效能检验 实验采用RadioML2016.10a/10b基准，对MCLDNN与SOTA变体（如CNN-IQ、LSTM2、CLDNN、GRU2）展开精度比拼。学员将观察-4dB以上信噪比的优越表现，尤其在16-QAM/64-QAM混淆上的改进，并通过混淆矩阵剖析WBFM与AM-DSB的易错机制。

5. 效率权衡与扩展 评估参数规模、收敛速率及时长等指标，比较MCLDNN在精度-开销间的平衡。学员将习得压缩与冗余裁剪技巧，确保高效部署。本环节铸就时空多通道的辨识精进路径，为5G/6G智能无线铺路。

下午：轻量化卷积网络在调制分类中的部署实践（编程搭建+优化演示）

1. 经典路径瓶颈总结 模块伊始回顾自动调制分类（AMC）在认知无线电及5G频谱调控中的核心价值，指出似然基或特征基方法的计算密集与低噪短板。转向卷积神经优势，强调其在多尺度空间表示与自动特征上的领先。

2. MCNet网络创新解析 设计详述MCNet的核心元素：非对称核（3×1/1×3）取代3×3以瘦身参数、多路M-block（3×1、1×3、1×1流）定向特征挖掘，以及跨层残差桥接的梯度稳定。学员将Python实现全网，并在RadioML2018.01A数据集上迭代训练/校验。

3. 分类结果与误判剖析 实操检验24种调制（PSK、QAM、APSK、模拟型）的低/高阶表现，通过混淆矩阵揭示128APSK/256QAM的高误区，并探讨M-block深度对复杂度的调控。学员将量化信噪比下的精度曲线，优化网络层级以适配边缘场景。

4. 基准模型效能对标 对比ResNet、VGG及CNN-AMC等架构，展示+10dB下MCNet的23.7% VGG提升与12.4% ResNet领先，同时参数缩减40%-45%、推理加速。通过可视化，学员体会轻量设计在移动平台的部署价值。

5. 设计精髓与应用展望 收官提炼MCNet理念：非对称+残差+精简架构的精度-效率折衷，为6G实时分类注入活力。学员将统揽数据集处理、网络组装、调优及评估的全链，赋能复杂无线环境的神经应用。

第四天 深度学习的射频指纹识别与射频信号检测应用实践

上午：基于深度学习的射频指纹识别大规模实验研究 (实操+代码)

本课程聚焦于射频指纹识别（RF Fingerprinting）的深度学习方法，探索如何通过硬件相关的微小射频特征实现设备级别的身份识别。

1．射频指纹识别利用发射机电路固有的非理想特性（如 IQ 不平衡、相位噪声、载波频偏等），在信号中形成无法伪造的独特“签名”，为物联网和无线网络提供轻量化、抗篡改的安全认证机制 。

2. 教学首先介绍 RF 指纹识别的基本原理与传统方法，指出传统特征提取往往依赖通信协议，难以适应快速演进的无线标准。随后引入卷积神经网络（CNN）作为核心工具，展示其在从原始 I/Q 样本中自动提取判别性特征、实现移位不变分类方面的优势。学生将学习 CNN 在射频指纹中的适配方法，包括时间序列建模和特征可视化。

3.在数据部分，课程重点讲解论文使用的 大规模真实数据集。实验涵盖两个无线标准：其一是包含 5117 台设备、采样率 200 MS/s 的 WiFi 数据集；其二是包含 5000 台设备、采样率 100 MS/s 的 ADS-B 飞机广播数据集。每个设备的多条传输信号形成总计 400GB 的数据集，为评估深度学习模型在大规模设备环境下的可扩展性提供了基准。

4.在模型设计部分，课程对比了 两类深度 CNN 架构：一是基于 AlexNet 改造的基线模型，包含 10 层卷积和 5 层池化；二是 ResNet-50-1D，将残差连接应用于一维卷积，缓解深层网络中的梯度消失问题。学生将亲手实现这两种模型，并比较其在不同数据预处理下的性能。特别地，课程强调 WiFi 信号中的 部分均衡（Partial Equalization） 技术，展示如何在去除信道影响的同时保留设备特有特征。

5.在实验部分，课程涵盖多个关键任务：

可扩展性任务：在 50–10,000 台设备的不同规模下测试模型的分类能力；

多突发任务（Multiburst）：合并多个连续传输评估鲁棒性；

训练集规模任务：分析训练样本数量对模型精度的影响；

信道变化任务：跨日期、室内外场景比较模型在信道波动下的性能；

SNR 任务：探讨在不同信噪比训练/测试组合下的泛化规律；

比特相同任务：验证模型是否依赖 MAC 地址信息，而非硬件特征。

实验结果表明，基线 CNN 在部分场景下优于 ResNet-50-1D，说明“更深的网络并不总是更好”；同时，数据增强（如在低 SNR 条件下训练）能有效提升模型在噪声环境中的鲁棒性。

课程总结深度学习在 RF 指纹识别中的应用前景，强调其在大规模 IoT 安全认证中的实用性。学生将掌握从 数据预处理—模型构建—性能测试—结果分析 的完整流程，并理解在实际无线通信环境中部署深度学习模型所面临的挑战与机遇。

下午：基于深度学习的射频信号检测与分类的参考数据集构建 (实操+代码)

本课程介绍射频信号检测与分类的参考数据集建设方法，强调其在人工智能与深度学习驱动的下一代无线通信系统中的关键作用。与语音识别、图像分类等领域已有成熟公共数据集不同，射频信号领域缺乏统一标准和大规模基准数据，这限制了深度学习算法在认知无线电和共享频谱中的应用。

1．教学首先回顾 AI/ML 在无线通信中的典型应用场景，包括 5G 系统中的天线配置、波束赋形、自适应 MIMO 优化、以及共享频谱中的动态接入管理。课程将强调频谱共享背景下的核心需求——快速、准确地检测和分类不同信号，保护优先用户并高效利用频谱资源。

2. 在数据构建部分，课程详细分析了三类主要数据来源：

现场测量数据：最接近真实环境，但标签难以获取，受噪声和干扰影响大；

实验室测试平台：使用真实射频设备，在可控条件下采集，便于标签化，但环境代表性有限；

仿真数据：可补充难以获取的信号类型（如机密雷达波形），但需要验证其与真实数据的匹配度。

3.课程将介绍 NIST 提出的 RF 数据集构建原则，包括 目标导向（针对具体频段与应用）、可追溯性（遵循 FAIR 数据管理原则）、精心策划（涵盖不同设备、信道、SNR 和干扰类型），并展示如何在采集和生成过程中保存元数据、信道信息和设备特性，以确保数据的科学价值。

4.在应用案例部分，课程选取 3.5 GHz 频段雷达检测 作为示例。学生将学习如何通过采集和模拟构建一个适用于 CBRS 频段共享的雷达波形数据集，并分析商业 LTE 发射和邻频雷达干扰对检测器性能的影响。课程将演示如何通过对比不同分类器（如基于峰值分析和高阶统计特征的方法），揭示数据集中必须包含干扰样本的重要性，否则会导致模型评估结果失真。

5.学生将掌握如何设计和管理面向深度学习的射频信号数据集，理解数据来源、标签策略与可复现性的重要性，并能够在实验中评估不同信号分类算法的性能。通过本课程，学员将具备推动射频数据集标准化和共享的能力，为未来 5G/6G 网络中基于 AI 的频谱管理提供支撑。

第五天 强化学习的认知无线电与AI驱动的模拟射频电路设计应用实践

上午：基于强化学习的认知无线电测试平台（RFRL Gym）(实操+代码)

本课程介绍 RFRL Gym 框架，这是一个用于认知无线电应用的强化学习仿真平台，旨在为 6G 与军事通信中的频谱智能化管理提供实验环境。随着无线设备数量的激增，射频频谱面临严重拥塞和干扰问题，传统方法如跳频与扩频已无法适应动态频谱环境，而认知无线电结合强化学习被视为解决方案。

1.教学首先回顾认知无线电的基本概念和动态频谱接入（DSA）的需求，强调强化学习在预测未来频谱空洞、主动规避干扰方面的独特优势。学生将理解 Q-learning 等 RL 算法如何通过“状态—动作—奖励”循环实现自适应决策，并在 Python 代码实操中体验该过程。

2.在平台部分，课程系统讲解 RFRL Gym 的架构。该平台基于 OpenAI Gym API，支持与第三方 RL 库（如 MushroomRL、Stable Baselines）无缝对接，便于算法快速部署。平台中包含多种 非玩家实体（Non-Player Entities），如恒定发射器、随机跳频器、敏捷跳频器和干扰器，用于模拟真实环境下的通信对象和对抗者。学生将学习如何通过 JSON 文件或图形化界面（GUI）自定义场景，定义信道数、观测模式、奖励函数与干扰策略。

3.在实验环节，课程通过四类代表性场景展示 RL 在频谱管理中的效果：

单实体干扰场景：验证 RL 智能体能快速收敛至最优策略；

固定模式跳频干扰场景：演示非马尔可夫性带来的次优收敛；

多实体 DSA 场景：展现 RL 智能体如何同时规避多个信号实体，实现最优频谱接入；

敏捷实体场景：揭示 RL 在非平稳环境下的不足，并引出更先进的深度 Q 学习需求。

课程还将介绍平台的可视化功能，包括 终端渲染模式 与 PyQt 图形模式，学生可直观观察智能体与实体在信道中的交互过程，以及奖励随时间的变化曲线。通过动手实验，学生将加深对强化学习在动态频谱分配与抗干扰中的应用理解。

3.进阶部分将探讨未来扩展方向：包括 多智能体强化学习（MARL） 在合作与对抗场景下的应用、CNN 信号分类与 RL 联动、真实射频硬件对接、以及 GUI 的全流程集成。

4.学生将掌握如何利用 RFRL Gym 搭建实验环境、设计频谱接入与对抗任务，并实现 RL 算法的训练与评估。本课程不仅培养学生在通信系统中的 AI 应用能力，还为未来无线频谱管理与智能电磁对抗提供研究基础。

下午：AI驱动的模拟与射频电路设计——数据集与监督学习方法(实操+代码)

本课程围绕 AICircuit 数据集 和 基于监督学习的电路设计方法 展开，系统介绍如何利用人工智能技术提升模拟与射频电路设计的效率与精度。传统电路设计依赖专家经验与参数遍历，效率低下且难以适应复杂非线性系统。本课程通过数据驱动与模型驱动两方面结合，探索机器学习在电路自动化设计中的应用。

1.课程介绍 AICircuit 数据集 的构建过程。该数据集涵盖七类常用的同质电路（共源放大器、级联放大器、两级放大器、低噪声放大器、功率放大器、压控振荡器、混频器），以及包含多个电路模块的异质系统（28 GHz 发射机与接收机）。通过 Cadence 仿真平台进行参数扫描，生成数十万条电路参数—性能指标的数据，为机器学习模型训练提供坚实基础 。

2.在方法部分，课程介绍基于 监督学习的逆向设计流程。不同于传统的参数优化，本课程强调通过模型学习 性能指标（功耗、增益、带宽、噪声等）→电路参数（电阻、电容、晶体管宽度等） 的映射关系，从而直接预测满足性能需求的电路配置。学生将学习多种模型的实现，包括 多层感知机（MLP）、Transformer、支持向量回归（SVR）、随机森林（RF）、kNN，并对比它们在不同电路类型上的表现。

3.在实验环节，课程将组织如下模块：

基础电路实验：在 CSVA、CVA、TSVA 等电路上验证不同模型的预测能力，体会简单线性关系下的高精度建模；

复杂电路实验：在 VCO 和 PA 上观察非线性与耦合效应带来的挑战，分析 Transformer 与 MLP 的优劣；

系统级实验：在发射机与接收机电路上测试大数据集下的模型表现，展示数据规模对泛化能力的提升；

对比分析：通过误差分布（P75、P90、Outlier率等）和可视化结果，理解不同模型在不同电路结构下的最优适用场景。

结果显示，简单电路（如 LNA） 由于参数-性能关系近似线性，ML 模型能够实现极低误差（0.3%）；而 复杂电路（如 PA 与 VCO） 则因高度非线性表现出更大预测挑战，需要 Transformer 或 MLP 等深度模型才能较好刻画。对于 异质系统，增加训练数据量可将误差显著降低，接收机电路的预测误差最低可达 0.23%，证明了监督学习方法的可扩展性和有效性。

4.AI驱动的电路设计正在从 数据集建设（AICircuit） 走向 算法优化（监督学习框架） 的深度融合。学生将掌握从数据生成、模型训练到系统级验证的完整流程，理解如何根据电路复杂度选择合适的模型，并具备推动 5G/6G 等高频射频电路设计智能化的能力。

时间:

AI赋能射频技术

2025.12.27-----2025.12.28(上午9:00-11:30下午13:30-17:00)

2025.12.29-----2025.12.30(晚上19:00-22:00)

2026.1.02-----2026.1.03(上午9:00-11:30下午13:30-17:00)

详情：https://mp.weixin.qq.com/s/0_kCPG6t5qJjM_wmHESoUw