23年五一杯数学建模竞赛特等奖模型的检验.pdfVIP

1模型的检验

1.1信号识别模型的收敛性检验

在深度学习中，模型的训练和参数更新是通过优化目标函数实现的，目标函数即为使

用的损失函数。如前文所述，损失函数的值反映了模型训练过程中预测结果与真实结果之

间的误差，损失值越小表示模型的预测结果越接近真实结果。在模型训练过程中，可以通

过观察损失曲线的变化情况来评估模型的训练进程和学习效果。

本节在统一的实验设置下，绘制了多种信号识别模型在样本数据集上训练350次后得

到的损失曲线，以评估并对比每个信号识别模型的学习与收敛情况。

图8-1：不同信号识别模型的损失曲线对比

仿真结果如图8-1所示，可以观察到在训练初始阶段，各个信号识别模型的损失曲线

均呈现出大幅度下降的趋势，这表明仿真过程所采用的训练参数是适当的。

在模型训练的早期阶段，LSTM（深蓝色线）和DC_LSTM（绿色线）两个模型的损失

曲线相较于其它信号识别模型表现出了较大的波动。这是因为其它模型中均包含了多个卷

积层，这些卷积层提取到的是信号的局部潜在结构特征，而LSTM和DC_LSTM两个模型

主要通过单一的LSTM层提取到信号的时序特征。前者所包含的稳定判别信息更多，能够

有效提升模型收敛进程与预测准确性，因此损失曲线会更平滑。随着训练进程的加深，各

个信号识别模型损失曲线的变化均趋于平稳，这意味着各个模型在逐渐收敛。

特别是根据图8-1的局部放大子图给出的结果可以看到，在模型训练后期阶段，各个

信号识别模型均实现了稳定收敛，若按损失值由小到大进行排序依次是：CLDNN所提出

的模型VT_CNN1SCRNNDC_LSTMLSTMVT_CNN2，表示经过相同次数的训练后，

本章所提出的模型（蓝色线）能够有效识别信号数据集中的各个信号类型，且其对信号数

据集的预测准确性超过了其它五种先进的信号识别模型而仅次于CLDNN模型（黄色线）。

此外，该模型在时间信息提取模块中采用了两个LSTM层来捕捉上述信号特征的时序

信息。与一般的实网络相比，在相同设置下，所提出的模型具备更高效的信息提取机制和

良好的学习能力，并且其收敛性表现出明显的竞争力。这些优势也使得该模型在实际应用

场景中有着巨大的应用潜力。

1.2信号识别模型的抗噪性能检验

1

本节通过图8-2对比了所提出模型与其它六种先进的信号识别模型在电磁辐射和声发

射信号数据集上的识别精度曲线。可以清楚地看到各个信号识别模型在这两个信号数据集

上表现出相似的变化趋势。具体来说，当信噪比值较低（SNR6dB）时，各个信号识别模

型均无法有效识别信号序列，因为这些序列中存在过大的噪声干扰，导致信号信息完全被

淹没且难以提取。然而，一旦信噪比值增加（SNR≥6dB），噪声干扰程度减小，各个信号

识别模型能够通过充分挖掘有用信息来准确判断信号的所属类型，实现精确的分类预测。

此外，随着信噪比值的增大，各个信号识别模型在测试集上的识别准确率均在逐渐提升，

并最终达到一个稳定的识别准确率范围。

各个信号识别模型在电磁辐射数据集上的仿真结果如图8-2(a)所示，当信噪比范围为-

6dB到2dB时，所提出的模型（天蓝色线）展现出了优于其它六种先进信号识别模型的结

果。该模型的识别精度曲线高于其它模型，并且在信噪比值为2dB时，对测试集信号的识

别准确率达到了77.15%。相较于次优的CLDNN模型（73.10%），所提出的模型对低信噪

比信号的识别准确率提升了4.05%。

（a）电磁辐射信号数据集（b）声发射信号数据集

图8-2：不同信号识别模型的识别精度曲线对比

类似地，当声发射数据集中信号的信噪比范围为-2dB到4dB时，可以看到所提出的模

型（天蓝色线）展现出了优于其它六种先进信号识别模型的结果，如图8-2(b)所示。并且在

信噪比值为2dB时，所提出的模型对测试集信号的识别准确率为83.80%，相较于次优的

CLDNN模型（77.41%），所提出的模型对低信噪比信号的识别准确率提升了6.39%。

这些结果有效地证明了所提出的模型是一种性能优异的信号识别模型，能够显著改善

低信噪比信号的识别性能。