机器学习读书笔记

第五章

第六章[1]介绍了神经网络，包括神经元模型、感知机与多层网络、误差逆传播算法、全局最小与局部极小、其他常见神经网络与深度学习。笔者在硕士阶段研究的内容就是基于深度学习的调制识别算法，使用的是两层卷积网络，前人工作也使用了这个网络[2]（将深度学习引入调制识别并发布一个公开的调制识别数据集），性能很好，所不同的我引入了多任务学习[3]，在CNN识别网络之前加入了去噪网络，并且将去噪损失函数与分类损失函数进行联合训练[4]，这样大幅提升了低信噪比下的识别精度[5]。附上这几篇论文的链接，欢迎大家引用：

[2] https://pubs.gnuradio.org/index.php/grcon/article/view/11
[3] https://arxiv.org/pdf/1706.05098
[4] https://ieeexplore.ieee.org/abstract/document/9336326
[5] https://ieeexplore.ieee.org/document/9705601

现在深度学习领域的研究大方向有：提出新网络结构、提出新损失函数、提出新的优化方法，由于深度学习需要大量标注完善的数据集，因此小样本学习也是研究热门方向。

致谢

[1] 周志华. 《机器学习》[J]. 中国民商, 2016, 03(No.21):93-93.
[2] T. J. O’shea and N. West, “Radio machine learning dataset generation with gnu radio,” in Proceedings of the GNU Radio Conference, vol. 1, no. 1, 2016.
[3] S. Ruder, “An overview of multi-task learning in deep neural networks,” arXiv preprint arXiv:1706.05098, 2017.
[4] Y. Wang, G. Gui, T. Ohtsuki, and F. Adachi, “Multi-task learning for generalized automatic modulation classification under non-gaussian noise with varying snr conditions,” IEEE Transactions on Wireless Communications, vol. 20, no. 6, pp. 3587–3596, 2021.
[5] Qiao J , Chen W , Chen J , et al. Blind Modulation Classification Under Uncertain Noise Conditions: A Multitask Learning Approach[J]. IEEE communications letters: A publication of the IEEE Communications Society, 2022(5):26.