.png){kind=icon}
返回
WPMNet: Weight Pruning and Parameter Quantization Assisted Multi-Scale Lightweight Network for Interference Recognition
.png){kind=icon}
PRE
AI
DOI：10.1109/TCCN.2025.3614368.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
干扰识别作为干扰抑制的预处理技术。研究人员通常采用基于时频图谱的深度卷积神经网络（CNN）方法以追求识别精度。然而，某些时频分析方法或参数过多的网络模型使得这项技术在资源受限设备上的应用具有挑战性。本文提出了一种基于权重剪枝和参数量化的多尺度轻量级网络WPMNet，可直接将原始时序数据作为输入。该网络模型包含三个多尺度卷积模块、注意力机制和全连接层。多尺度卷积模块由不同尺寸的卷积核并行组成，旨在同时提取深层特征和不同粒度的特征。为压缩模型，我们引入了一种自适应搜索算法以确定权重剪枝的最优阈值，确保精度下降在可接受范围内。并通过参数量化进一步压缩模型。实验结果表明，在模型轻量化之前，平均识别精度为97.6%；轻量化处理后，网络压缩比达到84.5%，而平均识别精度仅略微下降至95.08%。这证实了所提出的方法适用于同时要求高精度和模型部署能力的场景，如嵌入式系统或移动设备。
Keyword:
Interference recognition
multi-scale convolution
model pruning
parameter quantization
期刊
I
IF:
7
论文数:
1.6K
被引数:
5.5K
机构
引用论文
ECCO: A Novel End-to-End Congestion Control Scheme in Multi-Hop Cognitive Radio Ad Hoc NetworksECCO: 一种新的多跳认知无线Ad Hoc网络端到端拥塞控制方案
.png){kind=icon}
PREAI
分享收藏分享收藏分享收藏
分享收藏
查看更多内容