我最近发布了另一个问题，这个问题是那个问题的演变。

顺便说一句，我将继续下面的所有问题，就像之前的问题不存在一样。

问题描述

我正在使用卷积神经网络进行信号调制分类，我想提高性能。

数据

数据集由 220.000 行组成。数据完美平衡：每个标签都有 20.000 个数据点。

SNR 值越低，信号越嘈杂：对低 SNR 信号进行分类并不容易。

神经网络

神经网络是一个卷积神经网络，编码如下：

DROPOUT_RATE = 0.5

iq_in = keras.Input(shape=in_shp, name="IQ")
reshape = Reshape(in_shp + [1])(iq_in)
batch_normalization = BatchNormalization()(reshape)

conv_1 = Convolution2D(16, 4, padding="same", activation="relu")(batch_normalization)
max_pool = MaxPooling2D(padding='same')(conv_1)
batch_normalization_2 = BatchNormalization()(max_pool)
fc1 = Dense(256, activation="relu")(batch_normalization_2)
conv_2 = Convolution2D(32, 2, padding="same", activation="relu")(fc1)
batch_normalization_3 = BatchNormalization()(conv_2)
max_pool_2 = MaxPooling2D(padding='same')(batch_normalization_3)

out_flatten = Flatten()(max_pool_2)
dr = Dropout(DROPOUT_RATE)(out_flatten)
fc2 = Dense(256, activation="relu")(dr)
batch_normalization_4 = BatchNormalization()(fc2)
fc3 = Dense(128, activation="relu")(batch_normalization_4)
output = Dense(11, name="output", activation="softmax")(fc3)

model = keras.Model(inputs=[iq_in], outputs=[output])
model.compile(loss='categorical_crossentropy', optimizer='adam')

model.summary()

训练

正在完成训练，将数据分成75% 作为训练集，25% 作为测试集。

NB_EPOCH = 100     # number of epochs to train on
BATCH_SIZE = 1024  # training batch size

filepath = NEURAL_NETWORK_FILENAME

history = model.fit(
    X_train,
    Y_train,
    batch_size=BATCH_SIZE,
    epochs=NB_EPOCH,
    validation_data=(X_test, Y_test),
    callbacks = [
        keras.callbacks.ModelCheckpoint(filepath, monitor='val_loss', verbose=0, save_best_only=True, mode='auto'),
        keras.callbacks.EarlyStopping(monitor='val_loss', patience=5, verbose=0, mode='auto')
    ])

# we re-load the best weights once training is finished
model.load_weights(filepath)

结果

我的评估系统评估了我的神经网络对具有不同 SNR的信号进行分类的准确度。

我尝试了什么？

这是我尝试过的事情的列表，我确信这些事情正在使性能变得更糟：

• 减少批量大小（只增加训练时间而不提高测试准确性）
• 没有太嘈杂的信号的训练（降低准确性）
• 将 Dropout 层移到 Flatten 层之前

问题

有什么建议可以获得更好的表现吗？

提前致谢！