| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 图录 | 第9-11页 |
| 表录 | 第11-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究历史与现状 | 第13-15页 |
| 1.2.1 常用时差估计算法 | 第13-14页 |
| 1.2.2 窄带时差估计算法 | 第14-15页 |
| 1.3 本文的主要工作 | 第15-18页 |
| 第二章 高斯白噪声中的时差估计 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 高斯白噪声下窄带时差估计算法概述 | 第18-22页 |
| 2.2.1 基础模型 | 第18-19页 |
| 2.2.2 窄带信号源时差估计难点 | 第19-20页 |
| 2.2.3 典型窄带时差估计算法 | 第20-22页 |
| 2.3 改进算法 | 第22-29页 |
| 2.3.1 二次相关 | 第22页 |
| 2.3.2 小波降噪原理简介 | 第22-23页 |
| 2.3.3 基于小波降噪的二次相关算法 | 第23-24页 |
| 2.3.4 算法分析与仿真 | 第24-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 对称 稳定分布噪声中的时差估计 | 第30-52页 |
| 3.1 引言 | 第30页 |
| 3.2 稳定分布概念及传统时差估计算法性能退化 | 第30-33页 |
| 3.2.1 稳定分布 | 第31-32页 |
| 3.2.2 传统算法性能退化 | 第32-33页 |
| 3.3 基于预处理的共变时差估计算法 | 第33-40页 |
| 3.3.1 传统共变算法 | 第33页 |
| 3.3.2 改进算法 | 第33-36页 |
| 3.3.3 计算量分析 | 第36页 |
| 3.3.4 算法分析与仿真 | 第36-40页 |
| 3.4 基于预处理的分数低阶协方差时差估计算法 | 第40-50页 |
| 3.4.1 传统分数低阶协方差算法 | 第41页 |
| 3.4.2 改进算法 | 第41-46页 |
| 3.4.3 计算量分析 | 第46-47页 |
| 3.4.4 算法分析与仿真 | 第47-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 多径环境中高分辨率时差估计 | 第52-64页 |
| 4.1 引言 | 第52页 |
| 4.2 基础模型 | 第52-54页 |
| 4.3 常用的高分辨率算法 | 第54-55页 |
| 4.4 改进算法 | 第55-62页 |
| 4.4.1 稀疏信号表示模型 | 第55-56页 |
| 4.4.2 稀疏信号重构方法 | 第56-58页 |
| 4.4.3 基于最大特征向量稀疏信号表示的窄带多径时差估计 | 第58-60页 |
| 4.4.4 算法分析与仿真 | 第60-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第五章 算法的 GPU 实现 | 第64-76页 |
| 5.1 引言 | 第64页 |
| 5.2 GPU 及 CUDA 简介 | 第64-67页 |
| 5.2.1 概述 | 第64-65页 |
| 5.2.2 支持 CUDA 的硬件结构 | 第65页 |
| 5.2.3 线程层次及存储器 | 第65-66页 |
| 5.2.4 数据处理过程 | 第66-67页 |
| 5.3 算法并行性分析及程序优化 | 第67-71页 |
| 5.3.1 算法并行性分析 | 第67-69页 |
| 5.3.2 程序优化 | 第69-71页 |
| 5.4 算法实现流程 | 第71-72页 |
| 5.5 性能测试 | 第72-74页 |
| 5.5.1 实验环境 | 第72页 |
| 5.5.2 测试结果及分析 | 第72-74页 |
| 5.6 本章小结 | 第74-76页 |
| 第六章 结论 | 第76-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-86页 |
| 作者简历 | 第86页 |