深度学习在射频指纹识别(Radio Frequency Fingerprinting,RFF)中的应用常受限于繁琐且依赖人工经验的超参数调整过程。Optuna框架提供了替代方案,但其策略易产生大量无效采样点并过度消耗计算资源于非关键区域。为解决此问题,本文提出...深度学习在射频指纹识别(Radio Frequency Fingerprinting,RFF)中的应用常受限于繁琐且依赖人工经验的超参数调整过程。Optuna框架提供了替代方案,但其策略易产生大量无效采样点并过度消耗计算资源于非关键区域。为解决此问题,本文提出一种基于Optuna框架的渐进式参数空间加权调节(PWM)算法,该算法通过分阶段优化策略动态引导搜索方向,首先利用历史试验的统计相关性自适应收缩参数范围,其次结合混合权重机制强化关键参数优化,最后用固定最优分类参数和安全约束的方式加速收敛,得以改进Optuna框架。通过实验结果表明PWM-Optuna集成系统既有效替代了人工超参数调整,也能够提高射频指纹识别效率以及缩短训练时间,为模型快速收敛与性能提升提供了可靠的技术支撑。展开更多
文摘深度学习在射频指纹识别(Radio Frequency Fingerprinting,RFF)中的应用常受限于繁琐且依赖人工经验的超参数调整过程。Optuna框架提供了替代方案,但其策略易产生大量无效采样点并过度消耗计算资源于非关键区域。为解决此问题,本文提出一种基于Optuna框架的渐进式参数空间加权调节(PWM)算法,该算法通过分阶段优化策略动态引导搜索方向,首先利用历史试验的统计相关性自适应收缩参数范围,其次结合混合权重机制强化关键参数优化,最后用固定最优分类参数和安全约束的方式加速收敛,得以改进Optuna框架。通过实验结果表明PWM-Optuna集成系统既有效替代了人工超参数调整,也能够提高射频指纹识别效率以及缩短训练时间,为模型快速收敛与性能提升提供了可靠的技术支撑。
