保持简洁：面向干扰分类任务的 CNN 模型复杂度研究
信号处理
2023-09-14 v1 机器学习
网络与互联网体系结构
摘要
使用无线频谱的设备数量不断增长，使得寻找最小化干扰并优化频谱使用的方法变得重要。深度学习模型（如卷积神经网络（CNNs））因能从数据中直接学习而被广泛用于识别、分类或缓解干扰。然而，关于此类深度学习模型复杂度的研究有限。基于深度学习的无线分类文献主要关注提升分类精度，常以模型复杂度为代价。这对许多无线设备（如物联网（IoT）设备）可能不切实际，它们通常计算资源极为有限，无法处理非常复杂的模型。因此，在设计基于深度学习的干扰分类模型时考虑模型复杂度十分重要。为此，我们对基于 CNN 的无线分类进行分析，探究在不同分类难度级别——即干扰分类、异构发射机分类与同构发射机分类——下数据集规模、CNN 模型复杂度与分类精度之间的权衡。基于三个无线数据集的研究表明，参数更少的更简单 CNN 模型可表现得与更复杂模型一样好，为在计算受限应用中使用 CNN 提供了重要见解。
引用
@article{arxiv.2303.03326,
title = {Keep It Simple: CNN Model Complexity Studies for Interference Classification Tasks},
author = {Taiwo Oyedare and Vijay K. Shah and Daniel J. Jakubisin and Jeffrey H. Reed},
journal= {arXiv preprint arXiv:2303.03326},
year = {2023}
}
备注
6 pages, 7 figures, 3 tables