基于支持向量机的调制方式识别算法的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-6页 |
| 缩略语 | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·引言 | 第9-10页 |
| ·调制识别方法的概述 | 第10-13页 |
| ·决策论方法 | 第10-11页 |
| ·统计模式识别方法 | 第11-12页 |
| ·两种方法的比较 | 第12-13页 |
| ·本文的结构及内容概要 | 第13-14页 |
| 第二章 统计学习理论和支持向量机（SVM） | 第14-24页 |
| ·机器学习和统计学习理论 | 第14-15页 |
| ·统计学习理论 | 第15-16页 |
| ·支持向量机 | 第16-22页 |
| ·问题和算法描述 | 第16-18页 |
| ·核函数 | 第18-19页 |
| ·多类分类问题 | 第19-22页 |
| ·基于SVM的调制识别研究现状 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 基于瞬时特征的SVM调制识别算法 | 第24-41页 |
| ·瞬时特征参数的提取与分析 | 第24-29页 |
| ·调制方式分类器设计 | 第29-31页 |
| ·模型的改进 | 第31-35页 |
| ·改进后的新模型 | 第31-33页 |
| ·模型的求解 | 第33-35页 |
| ·仿真与性能分析 | 第35-40页 |
| ·改进前的SVM识别方法 | 第35-39页 |
| ·改进后的C-SVM识别方法 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 衰落信道下基于高阶累积量的调制识别 | 第41-54页 |
| ·衰落信道 | 第41-44页 |
| ·Rayleigh衰落模型 | 第41-42页 |
| ·Nakagami-m衰落模型 | 第42-44页 |
| ·高阶累积量 | 第44-49页 |
| ·高阶矩和高阶累积量理论 | 第44-45页 |
| ·高阶累积量值估计 | 第45-49页 |
| ·仿真与性能分析 | 第49-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 基于SVM的协作调制识别 | 第54-68页 |
| ·数据融合 | 第54-56页 |
| ·协作调制识别（CRM） | 第56-60页 |
| ·特征级融合协作调制识别 | 第57-58页 |
| ·决策级融合协作调制识别 | 第58-60页 |
| ·仿真与性能分析 | 第60-66页 |
| ·基于特征级融合的CRM | 第60-64页 |
| ·基于决策级融合的CRM | 第64-66页 |
| ·本章小结 | 第66-68页 |
| 第六章 结束语 | 第68-70页 |
| ·全文总结 | 第68-69页 |
| ·未来的研究工作 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 攻读硕士学位期间发表的论文及参加的项目 | 第73页 |
