| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及发展现状 | 第10-11页 |
| 1.2 深度学习概述 | 第11-12页 |
| 1.3 研究内容和组织结构 | 第12-14页 |
| 1.3.1 主要研究内容 | 第12-13页 |
| 1.3.2 论文组织结构 | 第13-14页 |
| 第二章 高效调制通信系统模型 | 第14-22页 |
| 2.1 高效调制 | 第14-18页 |
| 2.1.1 基本内涵 | 第14页 |
| 2.1.2 EBPSK调制 | 第14-15页 |
| 2.1.3 MPPSK调制 | 第15-16页 |
| 2.1.4 功率谱分析 | 第16-18页 |
| 2.2 带限信道 | 第18-19页 |
| 2.2.1 基本概念 | 第18页 |
| 2.2.2 带限滤波 | 第18-19页 |
| 2.3 高效解调 | 第19页 |
| 2.3.1 冲击滤波器 | 第19页 |
| 2.3.2 深度神经网络解调器 | 第19页 |
| 2.4 系统框图 | 第19-20页 |
| 2.5 本章小结 | 第20-22页 |
| 第三章 深度神经网络 | 第22-42页 |
| 3.1 前馈型神经网络及其学习算法 | 第22-27页 |
| 3.1.1 Softmax | 第23-24页 |
| 3.1.2 反向传播算法 | 第24-26页 |
| 3.1.3 算法的并行实现 | 第26-27页 |
| 3.2 激励函数 | 第27-31页 |
| 3.2.1 Sigmoid函数 | 第27-28页 |
| 3.2.2 ReLu函数 | 第28-30页 |
| 3.2.3 Swish函数 | 第30-31页 |
| 3.3 栈式稀疏自编码网络 | 第31-34页 |
| 3.4 递归神经网络 | 第34-35页 |
| 3.5 网络优化及调参 | 第35-39页 |
| 3.5.1 梯度更新方式 | 第35-37页 |
| 3.5.2 Dropout | 第37-38页 |
| 3.5.3 批标准化 | 第38-39页 |
| 3.6 本章小结 | 第39-42页 |
| 第四章 基于SSAE网络的带限高斯信道MPPSK解调器 | 第42-54页 |
| 4.1 规模的影响 | 第42-44页 |
| 4.1.1 数据集规模 | 第42-43页 |
| 4.1.2 网络规模 | 第43-44页 |
| 4.2 激励函数的影响 | 第44-45页 |
| 4.3 优化策略的影响 | 第45-49页 |
| 4.3.1 Dropout对解调性能的影响 | 第45-46页 |
| 4.3.2 批标准化对解调性能的影响 | 第46-47页 |
| 4.3.3 Swish-Dropout对解调性能的影响 | 第47-48页 |
| 4.3.4 Swish-批标准化对解调性能的影响 | 第48-49页 |
| 4.4 数值优化方法的影响 | 第49-50页 |
| 4.5 多码元联合判决 | 第50-53页 |
| 4.5.1 基本思路 | 第50-51页 |
| 4.5.2 仿真结果 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 基于集成神经网络的多径信道MPPSK解调器 | 第54-62页 |
| 5.1 多径信道模型概述 | 第54页 |
| 5.2 集成递归神经网络 | 第54-56页 |
| 5.2.1 集成学习 | 第54-55页 |
| 5.2.2 RNN集成思路 | 第55-56页 |
| 5.3 仿真结果 | 第56-59页 |
| 5.3.1 激励函数性能对比 | 第56-57页 |
| 5.3.2 RNN与SSAE性能对比 | 第57页 |
| 5.3.3 多码元联合判决 | 第57-58页 |
| 5.3.4 Dropout对RNN的性能影响 | 第58-59页 |
| 5.3.5 RNN集成网络的性能对比 | 第59页 |
| 5.4 本章小结 | 第59-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 全文总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 作者简介 | 第72页 |
