| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第10-18页 |
| 1.1 选题背景及研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.3 本文的研究内容 | 第16-18页 |
| 第二章 盲均衡系统原理 | 第18-34页 |
| 2.1 盲均衡技术概述 | 第18-22页 |
| 2.1.1 盲均衡的数学模型 | 第18-19页 |
| 2.1.2 盲均衡的准则 | 第19-21页 |
| 2.1.3 盲均衡算法的具体实现 | 第21-22页 |
| 2.2 Bussgang类盲均衡算法 | 第22-25页 |
| 2.2.1 Sato算法 | 第23页 |
| 2.2.2 Godard算法 | 第23页 |
| 2.2.3 MMA算法 | 第23-24页 |
| 2.2.4 复基带信道的Bussgang自适应均衡 | 第24-25页 |
| 2.3 基于概率密度匹配的盲均衡算法介绍 | 第25-28页 |
| 2.3.1 SQD算法 | 第25-26页 |
| 2.3.2 MSQD算法 | 第26-28页 |
| 2.4 仿真实验及性能分析 | 第28-33页 |
| 2.4.1 CMA算法的仿真分析 | 第28-30页 |
| 2.4.2 MMA算法的仿真分析 | 第30-31页 |
| 2.4.3 概率密度匹配盲均衡算法的仿真分析 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于支持向量回归机的盲均衡算法 | 第34-53页 |
| 3.1 支持向量回归机算法理论概述 | 第34-37页 |
| 3.1.1 基于QP的支持向量回归机 | 第34-35页 |
| 3.1.2 基于IRWLS的支持向量回归机 | 第35-37页 |
| 3.2 基于IRWQP的支持向量回归机盲均衡算法 | 第37-40页 |
| 3.3 基于IRWLS算法改进的支持向量回归机盲均衡算法 | 第40-45页 |
| 3.3.1 基于Sato误差函数的支持向量回归机盲均衡算法 | 第42页 |
| 3.3.2 基于Godard误差函数的支持向量回归机盲均衡算法 | 第42-43页 |
| 3.3.3 基于MMA误差函数的支持向量回归机盲均衡算法 | 第43-45页 |
| 3.4 仿真实验及性能分析 | 第45-52页 |
| 3.4.1 SVR-Godard、SVR-Sato盲均衡算法的仿真分析 | 第45-48页 |
| 3.4.2 SVR-MMA盲均衡算法的仿真分析 | 第48-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于概率密度匹配的支持向量回归机盲均衡算法 | 第53-59页 |
| 4.1 基于概率密度匹配的支持向量回归机盲均衡算法推导 | 第53-54页 |
| 4.2 仿真实验及性能分析 | 第54-58页 |
| 4.2.1 SVR-PDF盲均衡算法的性能验证 | 第55页 |
| 4.2.2 SVR-PDF与CMA以及SQD算法的对比 | 第55-56页 |
| 4.2.3 SVR-PDF与SVR-CMA算法的对比 | 第56-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 基于不同损失函数的支持向量回归机盲均衡算法 | 第59-66页 |
| 5.1 支持向量回归机中常用的损失函数 | 第59-61页 |
| 5.1.1 ε-不敏感损失函数 | 第60页 |
| 5.1.2 鲁棒损失函数（Huber损失函数） | 第60页 |
| 5.1.3 ε-Huber损失函数 | 第60-61页 |
| 5.2 基于Huber损失函数改进的SVR盲均衡算法 | 第61-62页 |
| 5.3 基于 ε-Huber损失函数改进的SVR盲均衡算法 | 第62-63页 |
| 5.4 仿真实验及性能分析 | 第63-65页 |
| 5.4.1 基于不同损失函数的SVR-CMA盲均衡算法的仿真分析 | 第63-64页 |
| 5.4.2 基于 ε-Huber损失函数的SVR-CMA盲均衡算法的仿真分析 | 第64-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 在学期间的研究成果 | 第71-72页 |
| 致谢 | 第72页 |
