1 模型的优点与推广.pdfVIP

1模型的优点与推广

1.1模型的优点

针对冗余信号的数据筛选问题，提出了基于样本重要性评估的信号筛选方法，该方法

通过构建边界样例选择器，在信号潜在特征空间准确定位出支持数据，依托于不同信号在

模型训练早期被标注为对支持数据的统计信息评估出了不同信号样本的重要程度，建立了

信号的样本重要性评估模型，实现了信号数据集中冗余样本的删除与代表性子集的保留。

另外，引入新型复卷积模块，改善了现有深度模型架构提取低信噪比信号特征的缺陷，建

立了实-复域联合约束下信号的多域信息特征提取模型，有效提升了低信噪比范围内信号特

征的可分性与抗噪性。

1.2模型的推广

本文基于样本重要性评估的信号筛选方法研究旨在缓解信号数据集中存在的冗余样本

在训练信号识别模型时造成的资源浪费，然后基于样本重要性评估的信号筛选方法，筛选

出大型信号数据集中最具价值的子集，取得了一定的成果。在后续工作中，所提出的方法

可以被进一步扩展应用于处理持续学习条件下的信号识别任务，筛选出的信号数据集可以

用于知识存储与知识回溯，使模型不用从头开始训练，缓解数据持续到达导致的信号识别

模型出现灾难性遗忘的现象，即忘记已经学过的已知类信号信息。

1

参考文献

[1]TanY.Neuralcomputationapproachforthemaximum-likelihoodsequenceestimationofcommunications

signal[C].NeuralNetworksforSignalProcessingX.Proceedingsofthe2000IEEESignalProcessing

SocietyWorkshop(Cat.No.00TH8501),Sydney,NSW,Australia,2000.

[2]O’SheaTJ,CorganJ,ClancyTC.Convolutionalradiomodulationrecognitionnetworks[C].Engineering

ApplicationsofNeuralNetworks:17thInternationalConference(EANN),Aberdeen,UK,2016

[3]NandiAK,AzzouzEE.Algorithmsforautomaticmodulationrecognitionofcommunicationsignals[J].

IEEETransactionsonCommunications,1998.

[4]HazzaA,ShoaibM,AlshebeiliSA,etal.Anoverviewoffeature-basedmethodsfordigital

modulationclassification[C].20131stInternationalConferenceonCommunications,Signal

Processing,andtheirApplications(ICCSPA),Sharjah,UnitedArabEmirates,2013.

[5]LiuF,ZhangZ,ZhouR.Automaticmodulationrecognitionbasedoncnnandgru[J].TsinghuaScienceand

Technology,2022.

[6]LiuY,LiuY,YangC.Modulationrecognitionwithgraphconvolutionalnetwork[J].IEEEWireless

CommunicationsLetters,2020.

[7]DaiL,JiaoR,AdachiF,etal.Deeplearningforwirelesscommunications:Aneme