.png){kind=icon}
返回
Fusion Methods for CNN-Based Automatic Modulation Classification
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2019.2918136.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动调制分类在无线通信中具有非常广泛的应用。最近，深度学习被用来解决这个问题，并取得了卓越的性能。在大多数情况下，输入大小在基于卷积神经网络 (CNN) 的调制分类中是固定的。然而，实际无线电信号突发的持续时间是可变的。当信号长度大于CNN输入长度时，如何充分利用完整的信号突发来提高分类精度是需要考虑的问题。本文提出了三种融合方法来解决这个问题，例如基于投票的融合，基于置信度的融合和基于特征的融合。仿真实验分析了这些方法的性能。结果表明，三种融合方法的性能优于非融合方法。基于置信度和特征的两种融合方法的性能非常接近，优于基于投票的融合。
Keyword:
Modulation classification
deep learning
fusion
convolutional neural network
residual network
wireless communications
cognitive radio
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
Selenocarbonyl complexes of iridium(I) and iridium(III). Synthesis and reactions of IrCl(CSe)(PPh3)2铱 (I) 和铱 (III) 的硒羰基配合物。IrCl(CSe)(PPh3)2的合成与反应
PREAI
分享收藏A Node Self-Localization Algorithm With a Mobile Anchor Node in Underwater Acoustic Sensor Networks基于移动锚节点的水声传感器网络节点自定位算法.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Deep Learning Models for Wireless Signal Classification With Distributed Low-Cost Spectrum Sensors基于分布式低成本频谱传感器的无线信号分类深度学习模型OAAI
OAAI分享收藏Co-Robust-ADMM-Net: Joint ADMM Framework and DNN for Robust Sparse Composite RegularizationIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容