10.3969/j.issn.1001-506X.2020.10.12
基于SAMME+ResNet的多相码信号识别方法
针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function,SAMME)算法和残差神经网络(residual neural network,ResNet)的多相码信号识别方法.通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比.仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10％的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势.
多相码、信号识别、集成学习、残差神经网络
42
TN971.1
国家自然科学基金61571462
2020-11-04（万方平台首次上网日期，不代表论文的发表时间）
共7页
2239-2245
