CN115758109B 基于复值注意力网络的电磁目标辨识方法 （西北工业大学）_第1页
CN115758109B 基于复值注意力网络的电磁目标辨识方法 （西北工业大学）_第2页
CN115758109B 基于复值注意力网络的电磁目标辨识方法 （西北工业大学）_第3页
CN115758109B 基于复值注意力网络的电磁目标辨识方法 （西北工业大学）_第4页
CN115758109B 基于复值注意力网络的电磁目标辨识方法 （西北工业大学）_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明提供了一种基于复值注意力网络的转换为int16格式的信号数据，对信号数据做傅2所述深度复值注意力机制神经网络的总体框架，包括特征提取模块、时层将前一神经网络层生成的特征数据的实分量和虚分量连接起来，而dropout层有效地减所述时序编码模块中，时序编码模块的目的是捕获输入特性的时间依将步骤6中划分好的测试集输入训练好的模型，将模型的输出类别于每一个数据的标所述特征提取模块中，一维复值卷积层为了在内部使用实值算法模W*F=(A*X-B*)+i(B*X+A*Y)其中，A和B分别是复数卷积核权重矩阵的实部和虚部，x和y分Real(w*F)=(A*x-B*y)所述复数批量归一化层：批量归一化是优化数据模型的一项重要技3CComplexMultiHead(H,H,H)=A,+iB,,4其中(x)表示点积运算；复值前馈子模块由两个复值全连接的层组成，复值前馈子模FFN(x)＝max(0,W1x+b1)通过残差连接将两个复值前馈子模块的输入和输出相加，然后将所中两个前馈子网络子模块串行连接，此操作描述为LayerNorm(x+SubModule(x))，其中5常用于获取时间信息的循环神经网络，如长、短时间记忆网络(longandshorttime方法。针对现有技术的缺陷，本发明的目的在于提出一种复值多头注意模型，命名为C_6[0013]将步骤6中划分好的测试集输入训练好的模型，将模型的输出类别于每一个数据一个flatten层，一个concat层，两个全连接层和一个dropout层，四个层之间串行连接，Concat层将前一神经网络层生成的特征数据的实分量和虚分量连接起来，而dropout层有[0017]W*F=(A*X-B*Y)+i(B*X+A*Y)[0019]Real(w*F)=(A*x-B*y)[0026]为复杂批量归一化设置可学习的移位参数β和标度参数γ,标度参数γ由下式给78[0048]通过残差连接将两个复值前馈子模块的输入和输出相加，然后将所得和做归一训练时间。神经网络的复数表示可以有效地检测和提取信号数据实部和虚部之间的相关[0052]图3为基于RadioML2016.10B数据集，将复值注[0054]图5为复值注意力机制网络C_Attnsig与先进的调制识别深度学习模型的性能比9[0058]本发明的实验使用基准开源的数据集RML2016[0065]深度神经网络损失函数选取交叉熵损失函数，深度神经网络优化函数选取Ada[0069]为了评估神经网络复值表示的性能，实验中将我们的模型C_Attnsig与相应的实值模型比实值模型的性能提高了2_3％。在相对较低的信噪比水平下(_20_0分贝)，C_Attnsig在相同精度下比相对应的实值网络模型Attnsig产生2_2.2分贝增益。这表明复值

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论