2、深度学习在调制分类及辣椒植物压力与虫害检测中的应用

深度学习在调制分类及辣椒植物压力与虫害检测中的应用

调制分类中的深度学习方法

在通信信号处理领域，调制分类是一项重要任务。为了实现更准确的调制分类，一系列深度学习方法被应用其中。

假设检验与dGA测试

在调制分类的假设检验中，有如下假设：
$H_0$ 与 $H_1$ 的相关表达式为：
$H_1 : \ c_4y - D’(c_4y, \frac{1}{N} \Theta_c), \ c_4y \neq 0$
其中 $D’$ 表示实高斯分布。对于 $\alpha$ 水平的显著性检验，式（16）的检验变为卡方检验，即dGA检验，可表示为：
$dGA \begin{cases}
\gt H_1 \
\lt H_0
\end{cases} = \chi^2_N(\alpha)$

预处理阶段

为了提高后续分类的准确性，采用了两种预处理方法：
- SVD分解 ：奇异值分解（SVD）可以对任何矩阵进行精确表示，并消除表示中不太重要的元素，从而为每个维度获得一个表示。对于一个实矩阵 $B$（$n \geq m$），可以表示为 $B = U\Gamma V^T$。其中 $U$ 是一个 $n \times m$ 的列正交矩阵（$U^T U = I$），$V$ 是一个 $m \times m$ 的正交矩阵（$V^T V = I$），$\Gamma$ 是一个 $m \times m$ 的对角矩阵，其元素为正或零，称为奇异值。通过矩阵 $B$ 还可以得到 $BB^T$ 和 $B^T B$ 两个矩阵：
$BB^T = U\Gamma