共计 643 个字符，预计需要花费 2 分钟才能阅读完成。
近年来，己经有越来越多的钻研人员尝试在通信辐射源个体辨认畛域引入基于深度学习的辨认算法，并且在信号参数已知、待辨认样本污浊的理想实验环境中获得了肯定问题。
但在实在场景中，因为信号接管环境的变动、接管零碎模式的扭转等因素导致待辨认的数据具备不确定性，信号样本的信噪比变低就是一种典型的数据不确定的演变场景。
大多数深度学习模型在上述数据演变场景中难以提取到信号真正具备判断性的特色，其辨认后果将变得不再牢靠。
因而，基于深度学习的辐射源个体辨认算法目前依然难以取代依赖专家教训的传统信号剖析算法，前者在理论利用中更多作为一个辅助的分类器呈现[1]。
深度残差膨胀网络（Deep Residual Shrinkage Networks）整体架构如图 2.1 所示。DRSN 次要分为三个模块：信号加噪模块、残差膨胀滤波模块以及全连贯降维模块。
深度残差膨胀网络 [2-3] 是一种本来利用在故障诊断畛域的深度学习办法，次要实用于噪声较强的状况。
[1] 宋雨萱. 演变深度学习钻研与通信信号辨认利用[D]. 西安电子科技大学, 2020.
[2] M. Zhao, S. Zhong, X. Fu, B. Tang, M. Pecht, Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, vol. 16, no. 7, pp. 4681-4690, 2020.
[3] 代码：https://github.com/zhao62/Dee…