科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对时频深度学习调制识别方法存在可解释性差的问题，提出了基于时频梯度类激活映射（gradient-weighted class activation mapping， Grad-CAM）的调制识别网络可解释框架。该框架通过时频Grad-CAM可视化深度模型中隐含层的关键特征，从视觉上解释网络隐含层提取到的时频深度特征对于正确与错误识别的意义，从特征上揭示低信噪比环境下网络性能下降的内在机理，从数值上得到网络每层不同卷积核的贡献值量化并排序以判断网络的冗余程度。仿真实验结果验证了所提出基于时频Grad-CAM的调制识别网络可解释性框架的有效性。
- 单位
