基于支持向量机的盲均衡算法研究
| 第1章 绪论 | 第1-21页 |
| ·引言 | 第9页 |
| ·研究盲均衡的意义 | 第9-10页 |
| ·盲均衡发展的现状 | 第10-19页 |
| ·Bussgang类盲均衡算法 | 第10-14页 |
| ·高阶或循环统计量盲均衡算法 | 第14-16页 |
| ·非线性均衡器盲均衡算法 | 第16-18页 |
| ·支持向量机盲均衡 | 第18-19页 |
| ·盲均衡算法优劣的评判标准 | 第19-20页 |
| ·本文的主要工作 | 第20页 |
| ·全文的章节安排 | 第20-21页 |
| 第2章 盲均衡的基本原理 | 第21-29页 |
| ·反卷积和盲均衡的基本考虑 | 第21-22页 |
| ·盲均衡的数学描述 | 第22-24页 |
| ·盲均衡实现的充要条件(SW定理) | 第24-27页 |
| ·盲均衡的归一化准则(Gadzow定理) | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 CMA盲均衡算法分析 | 第29-44页 |
| ·Bussgang类盲均衡基本原理 | 第29-34页 |
| ·Bussgang过程 | 第29-33页 |
| ·典型的 Bussgang类盲均衡算法 | 第33-34页 |
| ·CMA盲均衡算法 | 第34-43页 |
| ·CMA盲均衡算法的理论分析 | 第35-37页 |
| ·CMA盲均衡算法仿真 | 第37-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 支持向量机的基本理论 | 第44-58页 |
| ·支持向量机的发展历史 | 第44-47页 |
| ·机器学习的基本问题 | 第47-51页 |
| ·机器学习问题的表述 | 第47-48页 |
| ·经验风险最小化 | 第48-49页 |
| ·VC维理论 | 第49页 |
| ·结构风险最小化准则 | 第49-51页 |
| ·支持向量机(SVM) | 第51-57页 |
| ·分类问题 | 第51-54页 |
| ·对偶问题 | 第54-56页 |
| ·核函数与支持向量机 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第5章 支持向量机与盲均衡 | 第58-73页 |
| ·盲均衡的约束条件 | 第58-59页 |
| ·支持向量机算法设计 | 第59-61页 |
| ·支持向量机盲均衡 | 第61-72页 |
| ·支持向量机盲均衡算法分析 | 第61-68页 |
| ·仿真与分析 | 第68-72页 |
| ·本章小结 | 第72-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第79-80页 |
| 致谢 | 第80页 |
