《表2 识别效果对比表：一种深度学习的雷达辐射源识别方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种深度学习的雷达辐射源识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由图5和表格2可以发现，-15 dB时，加入50张DCGAN生成样本将原始平均识别率由68.14%提高到了74.86%，提高了6.72%，加入100张DCGAN生成样本将原始平均识别率由68.14%提高到了76.57%，提高了8.43%。随着信噪比的提高，加入生成样本提高的程度逐渐减小。当加入50张生成样本时，-7 dB时识别率便达到100%，当加入100张生成样本时，-8 dB时识别率便达到100%。实验结果说明DCGAN生成的时频图像辅助训练是有效的，能提高识别率并不是增加了训练集数量的原因，因为单纯的复制原始图像加入训练集并不能提高识别率，而是因为增加了样本的多样性。同时，这种增加的多样性也是有限的，受原始训练集本身的限制以及训练方法的影响，在原始训练集加入生成样本提高了识别率也会相应的增加一些时间消耗成本。