基于深度学习的数字调制信号识别方法研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 论文背景及意义 | 第10-11页 |
| 1.2 发展历史与国内外研究现状 | 第11-17页 |
| 1.2.1 调制信号识别的发展与现状 | 第11-15页 |
| 1.2.2 深度学习的发展与现状 | 第15-17页 |
| 1.3 论文结构安排 | 第17-18页 |
| 第2章 数字调制信号特征提取 | 第18-30页 |
| 2.1 数字调制信号基础理论 | 第18-26页 |
| 2.1.1 信号调制原理 | 第18-19页 |
| 2.1.2 常用的数字信号调制类型 | 第19-26页 |
| 2.2 信号特征提取 | 第26-29页 |
| 2.2.1 循环谱相关 | 第26-27页 |
| 2.2.2 小波变换 | 第27-28页 |
| 2.2.3 星座图 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 深度学习概要 | 第30-41页 |
| 3.1 从神经网络到深度学习 | 第30-35页 |
| 3.1.1 神经元模型 | 第30-32页 |
| 3.1.2 感知器（单层神经网络） | 第32-33页 |
| 3.1.3 多层感知器（两层神经网络） | 第33-34页 |
| 3.1.4 深度学习（多层神经网络） | 第34-35页 |
| 3.2 深度网络训练过程 | 第35-36页 |
| 3.2.1 自下而上的非监督学习 | 第36页 |
| 3.2.2 自顶向下的监督学习 | 第36页 |
| 3.3 常用深度学习模型 | 第36-40页 |
| 3.3.1 自动编码器模型 | 第37-38页 |
| 3.3.2 卷积神经网络 | 第38-39页 |
| 3.3.3 递归神经网络 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于卷积神经网络的调制信号识别 | 第41-48页 |
| 4.1 卷积神经网络的工作原理 | 第41-42页 |
| 4.1.1 稀疏连接 | 第41-42页 |
| 4.1.2 权值共享 | 第42页 |
| 4.2 卷积神经网络模型 | 第42-44页 |
| 4.2.1 卷积层 | 第43页 |
| 4.2.2 池化层 | 第43-44页 |
| 4.3 基于卷积神经网络的调制识别算法 | 第44-46页 |
| 4.3.1 实验数据库 | 第44-45页 |
| 4.3.2 卷积神经网络算法 | 第45-46页 |
| 4.4 仿真结果分析及比较 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 基于深度自编码器的调制信号识别 | 第48-64页 |
| 5.1 深度自编码器的工作原理 | 第48-49页 |
| 5.2 基于深度理论的编码器类型 | 第49-50页 |
| 5.2.1 稀疏自编码器 | 第49-50页 |
| 5.2.2 去噪自编码器 | 第50页 |
| 5.3 基于深度自编码器的调制识别算法 | 第50-60页 |
| 5.3.1 实验信号库 | 第51页 |
| 5.3.2 原始特征提取 | 第51-52页 |
| 5.3.3 深度自编码器网络结构 | 第52-53页 |
| 5.3.4 深度自编码器算法 | 第53-55页 |
| 5.3.5 深度自编码器相关算法 | 第55-60页 |
| 5.4 仿真结果分析及比较 | 第60-63页 |
| 5.4.1 模型整体识别结果 | 第60-61页 |
| 5.4.2 不同激活函数识别结果对比 | 第61-62页 |
| 5.4.3 不同梯度下降算法识别结果对比 | 第62页 |
| 5.4.4 不同分类器识别结果对比 | 第62-63页 |
| 5.4.5 深度与浅层学习算法识别结果对比 | 第63页 |
| 5.5 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第70页 |
