| 基于时频Grad-CAM的调制识别网络可解释分析 |
| |
| 引用本文： | 梁先明, 倪帆, 陈文洁, 张家树. 基于时频Grad-CAM的调制识别网络可解释分析[J]. 西南交通大学学报, 2024, 59(5): 1215-1224. doi: 10.3969/j.issn.0258-2724.20210791 |
| |
| 作者姓名： | 梁先明 倪帆 陈文洁 张家树 |
| |
| 作者单位： | 1.中国电子科技集团公司第十研究所,四川 成都,610036;2.西南交通大学信息科学与技术学院,四川 成都,610031;3.西南交通大学计算机与人工智能学院,四川 成都,610031 |
| |
| 基金项目： | 国家自然科学基金项目（62071396）;四川省自然科学基金项目（2022NSFSC0531） |
| |
| 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,提出一种基于时频梯度加权类激活映射（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的时频深度特征对于正确与错误识别中的作用,揭示低信噪比环境下网络性能下降的内在机理,并通过量化和排序网络中每层不同卷积核的贡献值来判断网络的冗余程度.
仿真实验结果验证了基于时频Grad-CAM的调制识别网络可解释性框架的有效性;可解释分析结果表明,在低信噪比环境下,网络特征提取区域有大量噪声存在,且本文所测试的调制识别网络冗余程度较为严重.
|
| 关 键 词： | 可解释深度学习 梯度类加权激活映射 调制识别 时频分析 |
| 收稿时间： | 2021-09-10 |
| 修稿时间： | 2022-05-16 |
|
| 点击此处可从《西南交通大学学报》浏览原始摘要信息 |
|
点击此处可从《西南交通大学学报》下载全文 |
|
