《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》
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。
图表编号 | XD00190144500 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 郭熠、张晨洁、郭滨、汤云琪 |
绘制单位 | 长春理工大学电子信息工程学院、长春理工大学电子信息工程学院、长春理工大学电子信息工程学院、长春理工大学电子信息工程学院 |
更多格式 | 高清、无水印(增值服务) |