| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略词对照表 | 第11-14页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 课题背景 | 第14-15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.2.1 Massive MIMO及其物理层安全研究现状 | 第15-16页 |
| 1.2.2 支持向量机机器学习算法的研究现状 | 第16-17页 |
| 1.3 研究内容和目的 | 第17-18页 |
| 1.4 论文结构 | 第18-19页 |
| 第二章 Massive MIMO系统概述 | 第19-30页 |
| 2.1 传统无线信道特征 | 第19-23页 |
| 2.1.1 衰落特性 | 第19-20页 |
| 2.1.2 大尺度衰落特性 | 第20-21页 |
| 2.1.3 小尺度衰落特性 | 第21-23页 |
| 2.2 Massive MIMO模型 | 第23-28页 |
| 2.2.1 Massive MIMO系统模型 | 第23-24页 |
| 2.2.2 Massive MIMO信道模型 | 第24-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 支持向量机机器学习理论 | 第30-42页 |
| 3.1 机器学习基础理论 | 第30-35页 |
| 3.1.1 基于数据的机器学习问题模型 | 第30-31页 |
| 3.1.2 经验风险最小化与学习过程的一致性条件 | 第31-32页 |
| 3.1.3 VC维理论 | 第32-33页 |
| 3.1.4 推广性的界 | 第33页 |
| 3.1.5 结构风险最小化原则 | 第33-35页 |
| 3.2 支持向量机理论 | 第35-40页 |
| 3.2.1 支持向量机基本思想 | 第35页 |
| 3.2.2 最优分类面及广义最优分类面 | 第35-38页 |
| 3.2.3 核函数 | 第38-40页 |
| 3.2.4 SVM实现SRM | 第40页 |
| 3.3 本章小结 | 第40-42页 |
| 第四章 基于支持向量机的Massive MIMO物理层鉴权算法 | 第42-56页 |
| 4.1 引言 | 第42页 |
| 4.2 问题模型 | 第42-44页 |
| 4.3 Massive MIMO系统物理层特征向量的提取 | 第44-45页 |
| 4.4 鉴权算法流程 | 第45-46页 |
| 4.5 仿真结果分析 | 第46-53页 |
| 4.5.1 交叉验证选择最佳参数提升SVM性能 | 第47-48页 |
| 4.5.2 运动状态对算法鉴权分类结果的影响 | 第48-50页 |
| 4.5.3 信噪比对不同核函数下算法鉴权分类结果的影响 | 第50-51页 |
| 4.5.4 特征值改变时对鉴权分类结果的影响 | 第51-52页 |
| 4.5.5 信道模型及天线阵列形式对于鉴权分类结果的影响 | 第52页 |
| 4.5.6 算法的推广性能测试 | 第52-53页 |
| 4.6 与现有方案的比较 | 第53-54页 |
| 4.7 复杂性分析 | 第54页 |
| 4.8 本章小结 | 第54-56页 |
| 第五章 一种改进的基于SVM的Massive MIMO物理层鉴权算法 | 第56-63页 |
| 5.1 基于禁忌搜索的SVM | 第56-59页 |
| 5.1.1 最优超平面无约束条件下的推导 | 第56-58页 |
| 5.1.2 禁忌搜索 | 第58页 |
| 5.1.3 算法的构成要素 | 第58-59页 |
| 5.2 基于禁忌搜索的SVM物理层鉴权算法的流程及仿真 | 第59-61页 |
| 5.2.1 算法流程 | 第59-60页 |
| 5.2.2 仿真结果分析 | 第60-61页 |
| 5.3 本章小结 | 第61-63页 |
| 第六章 总结及展望 | 第63-66页 |
| 6.1 总结 | 第63页 |
| 6.2 进一步研究方向 | 第63-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 作者简介 | 第72-73页 |
