| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第14-17页 |
| 1.1 研究背景及意义 | 第14页 |
| 1.2 研究现状 | 第14-15页 |
| 1.3 课题来源与本文工作内容 | 第15-17页 |
| 第二章 干扰信号模型与信号处理 | 第17-29页 |
| 2.1 干扰信号模型 | 第17-20页 |
| 2.1.1 单音干扰 | 第17-18页 |
| 2.1.2 多音干扰 | 第18页 |
| 2.1.3 线性扫频干扰 | 第18-19页 |
| 2.1.4 部分频带干扰 | 第19-20页 |
| 2.1.5 噪声调频干扰 | 第20页 |
| 2.2 干扰信号的预处理与特征提取 | 第20-28页 |
| 2.2.1 干扰信号预处理 | 第20-21页 |
| 2.2.2 特征提取 | 第21-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 基于特征提取的干扰识别 | 第29-44页 |
| 3.1 基于SVM多分类决策树 | 第29-35页 |
| 3.1.1 算法与模型 | 第29-32页 |
| 3.1.2 仿真结果与性能分析 | 第32-35页 |
| 3.2 BP神经网络 | 第35-41页 |
| 3.2.1 算法原理 | 第35-37页 |
| 3.2.2 仿真结果性能分析 | 第37-41页 |
| 3.3 两种算法的性能比较 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 基于卷积神经网络的干扰识别 | 第44-59页 |
| 4.1 卷积神经网络介绍 | 第44-48页 |
| 4.1.1 卷积 | 第45页 |
| 4.1.2 池化 | 第45页 |
| 4.1.3 激活函数 | 第45-46页 |
| 4.1.4 网络训练 | 第46-48页 |
| 4.2 干扰信号识别的卷积神经网络 | 第48-54页 |
| 4.2.1 卷积神经网络的输入 | 第48-49页 |
| 4.2.2 卷积神经网络的有效部件 | 第49-51页 |
| 4.2.3 干扰信号识别的卷积神经网络的整体结构 | 第51-54页 |
| 4.3 仿真结果与性能分析 | 第54-57页 |
| 4.3.1 基于不同的输入的仿真结果与性能分析 | 第54-56页 |
| 4.3.2 基于不同训练样本分布的仿真结果与性能分析 | 第56-57页 |
| 4.3.3 卷积神经网络与基于特征提取的干扰识别的性能比较 | 第57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 干扰信号参数估计 | 第59-76页 |
| 5.1 单、多音干扰信号的参数估计 | 第59-64页 |
| 5.1.1 多音数目估计 | 第59-60页 |
| 5.1.2 单、多音的频率、幅度与JNR估计 | 第60-64页 |
| 5.2 线性扫频干扰信号参数估计 | 第64-68页 |
| 5.2.1 估计算法 | 第64-66页 |
| 5.2.2 仿真结果性能评估 | 第66-68页 |
| 5.3 噪声调频干扰信号参数估计 | 第68-72页 |
| 5.3.1 估计算法 | 第68-70页 |
| 5.3.2 仿真结果性能分析 | 第70-72页 |
| 5.4 部分带干扰信号参数估计 | 第72-75页 |
| 5.4.1 估计算法 | 第72-73页 |
| 5.4.2 仿真结果性能评估 | 第73-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第六章 全文总结与展望 | 第76-78页 |
| 6.1 全文总结 | 第76-77页 |
| 6.2 后续工作展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-82页 |
| 攻读硕士学位期间取得的成果 | 第82页 |