典型文献
基于轻量化分布式学习的自动调制分类方法
文献摘要：
为了解决集中式学习存在的问题,提出了一种基于轻量化网络的分布式学习方法.分布式学习利用边缘设备进行本地训练和模型权重共享的方法训练同一个全局模型,既充分利用了各边缘设备的训练数据,又避免了边缘设备数据泄露.轻量化网络是一种由多个轻量化神经网络块堆叠而成的深度学习模型,相较于传统的深度学习模型,轻量化网络以较低的空间复杂度和时间复杂度实现较高的调制分类性能,有效地解决了分布式学习在实际部署中存在的边缘设备算力不足、存储空间有限及通信开销较高的问题.实验结果表明,基于分布式学习的自动调制信号分类技术在RadioML.2016.10A数据集的分类准确率为62.41％,相比于集中式学习,分类准确率仅降低了0.68％,训练效率提高了近5倍.实验结果也证明了在分布式学习下,部署轻量化网络可以有效降低通信开销.
文献关键词：
自动调制分类;分布式学习;轻量化网络;深度学习
中图分类号：
作者姓名：
杨洁;董标;付雪;王禹;桂冠
作者机构：
南京邮电大学通信与信息工程学院,江苏 南京 210003
文献出处：
引用格式：
[1]杨洁;董标;付雪;王禹;桂冠-.基于轻量化分布式学习的自动调制分类方法)[J].通信学报,2022(07):134-142
A类：
B类：
分布式学习,自动调制分类,分类方法,集中式,轻量化网络,边缘设备,模型权重,权重共享,方法训练,同一个,全局模型,训练数据,数据泄露,轻量化神经网络,堆叠,深度学习模型,空间复杂度,时间复杂度,分类性能,算力,存储空间,通信开销,调制信号,信号分类,分类技术,RadioML,10A,分类准确率,训练效率,效率提高
AB值：
0.332466
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
