《表3 不同网络结构复杂度对比》

  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

《一种基于星座图恢复的多进制相位调制信号识别算法》

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

为验证简单的卷积神经网络就能取得良好的识别效果，利用一个14层的Resnet-14（残差神经网络）进行对比。训练准确率随迭代次数变化如图7（b）所示。对比图7（a）、（b）可知，复杂的深层网络能够在更少的迭代次数下达到同样的精度，对于除本文以外的三种星座图恢复方法，使用Resnet均在一定程度上提高了识别准确率，达到了90%以上。随着卷积层数的加深，网络能够学习到更抽象的高维特征，高维特征更有利于提升模型的分类效果，但同时巨大的参数量和复杂的运算会造成计算时间成本的提升。本文根据文献[15]提出的方法计算了CNN-4和Resnet-14的时间和空间复杂度，如表3所示。