《表1 平均训练时间对比：基于量子粒子群优化极限学习机的频谱感知算法》

  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

《基于量子粒子群优化极限学习机的频谱感知算法》

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

表1为经过104数量级的训练后得到的各算法平均训练时间，从表1可看出，ELM算法的收敛速度明显快于SVM算法和ANN算法，这是由于ELM算法是单隐含层结构的神经网络，其结构简单，且算法复杂度较低。采用量子粒子群优化后，速度仍快于采用梯度下降法的传统神经网络算法，同时也无需反复的正向计算和反向的计算误差并修正，使得学习效率大幅提升。从表1和图3可看出，ELM-QPSO算法的辨识精度高于ANN、SVM和传统ELM，训练时间QPSO-ELM相对加长但仍快于ANN算法，与SVM算法时间近似，有效地避免了ANN神经网络在训练时容易陷入局部极值和SVM在低信噪比下频谱感知中过拟合的问题。以上结果表明本文采用的QPSO-ELM方法随着低信噪比的降低检测概率仍高于其他3种方法，体现了本文算法在低信噪比的无线通信环境下的优势。