| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外的研究现状及分析 | 第9-12页 |
| 1.2.1 信号特征提取方法的研究现状 | 第10-11页 |
| 1.2.2 调制信号分类算法的研究现状 | 第11-12页 |
| 1.3 本文的研究工作 | 第12-13页 |
| 1.4 本文主要研究内容和结构 | 第13-15页 |
| 第二章 通信信号调制理论与调制识别算法分析 | 第15-27页 |
| 2.1 信号的基本调制方式 | 第15-24页 |
| 2.1.1 模拟信号的基本调制方式 | 第15-20页 |
| 2.1.2 数字信号的基本调制方式 | 第20-24页 |
| 2.2 调制识别算法分析 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 调制信号的特征提取 | 第27-43页 |
| 3.1 基于信号高阶累积量的特征提取 | 第27-32页 |
| 3.1.1 高阶累积量 | 第27-30页 |
| 3.1.2 特征提取 | 第30-32页 |
| 3.2 基于改进HHT算法的特征提取 | 第32-41页 |
| 3.2.1 HHT算法分析 | 第32-36页 |
| 3.2.2 针对HHT算法不足进行改进 | 第36-40页 |
| 3.2.3 特征提取 | 第40-41页 |
| 3.3 构建联合特征值模块 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于人工蜂群算法优化支持向量机的调制识别研究 | 第43-56页 |
| 4.1 相关知识介绍 | 第43-48页 |
| 4.1.1 人工蜂群算法 | 第43-46页 |
| 4.1.2 支持向量机 | 第46-48页 |
| 4.2 预分类 | 第48-50页 |
| 4.3 人工蜂群优化支持向量机算法 | 第50-51页 |
| 4.3.1 算法分析 | 第50-51页 |
| 4.3.2 算法实现 | 第51页 |
| 4.4 基于人工蜂群算法优化支持向量机的分类器设计 | 第51-52页 |
| 4.5 仿真实验及结果分析 | 第52-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 改进蜂群算法优化SVM | 第56-64页 |
| 5.1 基于二维均匀设计的种群初始化策略 | 第56-57页 |
| 5.2 基于欧氏距离的食物源更新策略 | 第57-59页 |
| 5.3 基于改进蜂群算法优化SVM的分类器实现 | 第59-60页 |
| 5.4 仿真实验及结果分析 | 第60-62页 |
| 5.4.1 进化曲线对比 | 第60-61页 |
| 5.4.2 识别率对比 | 第61-62页 |
| 5.5 本章小结 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第69-70页 |
| 致谢 | 第70页 |