| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第18-33页 |
| 1.1 研究的背景与意义 | 第18-19页 |
| 1.2 通信信号调制识别的研究现状和概述 | 第19-26页 |
| 1.2.1 基于似然比检测的识别方法 | 第20-22页 |
| 1.2.2 基于特征提取的模式识别方法 | 第22-26页 |
| 1.3 压缩感知的研究现状与概述 | 第26-28页 |
| 1.4 本文的主要工作 | 第28-30页 |
| 1.5 本论文的结构安排 | 第30-33页 |
| 第二章 基础理论 | 第33-47页 |
| 2.1 引言 | 第33页 |
| 2.2 压缩感知的框架结构 | 第33-38页 |
| 2.2.1 压缩感知概述 | 第33-35页 |
| 2.2.2 稀疏表示 | 第35-36页 |
| 2.2.3 观测矩阵 | 第36-38页 |
| 2.2.4 压缩重构算法简介 | 第38页 |
| 2.3 压缩信号处理 | 第38-42页 |
| 2.4 模式识别的基本分析方法 | 第42-45页 |
| 2.4.1 模式识别系统的组成及功能 | 第42-44页 |
| 2.4.2 人工神经网络 | 第44-45页 |
| 2.4.3 支持向量机 | 第45页 |
| 2.5 基于压缩感知的通信信号调制识别系统模型 | 第45-46页 |
| 2.6 本章小结 | 第46-47页 |
| 第三章 基于信号高次方谱线稀疏特征的调制识别 | 第47-66页 |
| 3.1 引言 | 第47-48页 |
| 3.2 信号模型与高阶统计量 | 第48页 |
| 3.3 常见数字调制方式的谱线特征分析 | 第48-54页 |
| 3.3.1 相移键控信号 | 第48-52页 |
| 3.3.2 幅度相位调制 | 第52-54页 |
| 3.4 高次方谱线特征的稀疏建模 | 第54-57页 |
| 3.4.1 关于过采样因子的讨论 | 第54页 |
| 3.4.2 高次方谱的稀疏建模 | 第54-55页 |
| 3.4.3 谱线特征重构算法 | 第55-57页 |
| 3.5 压缩感知框架下的盲调制识别算法 | 第57-58页 |
| 3.5.1 特征向量的选择 | 第57-58页 |
| 3.5.2 算法实现 | 第58页 |
| 3.6 仿真与性能分析 | 第58-64页 |
| 3.6.1 调制信号类内识别 | 第59-64页 |
| 3.6.1.1 QAM信号的识别 | 第59-62页 |
| 3.6.1.2 PSK信号的识别 | 第62-64页 |
| 3.6.2 调制信号类间识别 | 第64页 |
| 3.7 本章小结 | 第64-66页 |
| 第四章 基于信号高阶循环累积量稀疏特征的调制识别 | 第66-87页 |
| 4.1 引言 | 第66页 |
| 4.2 高阶统计量的定义及性质 | 第66-69页 |
| 4.3 信号模型及特征统计量 | 第69-70页 |
| 4.4 特征选择算法 | 第70-76页 |
| 4.4.1 基于循环矩稀疏特征的间接算法 | 第70-71页 |
| 4.4.2 基于循环累积量稀疏特征的算法 | 第71-72页 |
| 4.4.3 特征向量的选取 | 第72-74页 |
| 4.4.4 压缩感知框架下的特征选择 | 第74-76页 |
| 4.5 多径信道下的调制识别 | 第76-78页 |
| 4.6 仿真与性能分析 | 第78-85页 |
| 4.6.1 过采样率选择 | 第78-80页 |
| 4.6.2 仿真设计及参数设置 | 第80页 |
| 4.6.3 基于循环累积量幅度特征的算法仿真 | 第80-82页 |
| 4.6.4 基于(9),9)/2)阶循环累积量特征的算法仿真 | 第82-84页 |
| 4.6.5 多径信道下的调制识别算法仿真 | 第84-85页 |
| 4.7 本章小结 | 第85-87页 |
| 第五章 基于稀疏自编码的调制识别算法 | 第87-103页 |
| 5.1 引言 | 第87-88页 |
| 5.2 稀疏表示方法 | 第88-90页 |
| 5.2.1 机器学习原理 | 第88-89页 |
| 5.2.2 稀疏自编码器 | 第89-90页 |
| 5.3 信号模型与问题描述 | 第90-92页 |
| 5.3.1 信号模型 | 第90页 |
| 5.3.2 常用调制特征分析 | 第90-92页 |
| 5.3.2.1 高次方谱谱线特征分析 | 第91页 |
| 5.3.2.2 循环高阶累积量分析 | 第91-92页 |
| 5.4 基于6)-稀疏自编码器的调制识别算法设计 | 第92-97页 |
| 5.4.1 算法原理 | 第92-94页 |
| 5.4.1.1 前向传递 | 第93页 |
| 5.4.1.2 后向传播 | 第93-94页 |
| 5.4.2 学习算法 | 第94-96页 |
| 5.4.2.1 稀疏逼近 | 第94-95页 |
| 5.4.2.2 字典更新 | 第95页 |
| 5.4.2.3 训练流程 | 第95-96页 |
| 5.4.3 调制识别算法设计 | 第96-97页 |
| 5.5 稀疏表示的唯一性 | 第97-98页 |
| 5.6 仿真与性能分析 | 第98-102页 |
| 5.6.1 针对高次方序列样本的算法仿真 | 第98-100页 |
| 5.6.2 针对时变高阶累积量序列样本的算法仿真 | 第100-101页 |
| 5.6.3 仿真结果分析 | 第101-102页 |
| 5.7 本章小结 | 第102-103页 |
| 第六章 基于压缩学习的调制识别算法 | 第103-120页 |
| 6.1 引言 | 第103-104页 |
| 6.2 支持向量机原理分析 | 第104-108页 |
| 6.3 支持向量机的压缩观测域模型 | 第108-114页 |
| 6.4 基于压缩学习的调制信号盲识别算法 | 第114-115页 |
| 6.5 算法仿真与性能分析 | 第115-119页 |
| 6.6 本章小结 | 第119-120页 |
| 第七章 全文总结与展望 | 第120-123页 |
| 致谢 | 第123-124页 |
| 参考文献 | 第124-137页 |
| 攻读博士学位期间取得的成果 | 第137页 |