| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.2.1 基于似然函数的调制识别算法 | 第15-16页 |
| 1.2.2 基于特征工程的调制识别算法 | 第16-17页 |
| 1.3 主要研究内容 | 第17-18页 |
| 1.4 论文结构安排 | 第18-19页 |
| 第二章 传统机器学习算法与典型深度学习网络 | 第19-40页 |
| 2.1 支持向量机 | 第19-23页 |
| 2.1.1 最优间隔分类器 | 第19-21页 |
| 2.1.2 对偶问题 | 第21-22页 |
| 2.1.3 核函数 | 第22-23页 |
| 2.2 卷积神经网络 | 第23-32页 |
| 2.2.1 卷积神经网络结构 | 第24-28页 |
| 2.2.2 局部感知与权值共享 | 第28-30页 |
| 2.2.3 基于卷积神经网络的手写字体识别 | 第30-32页 |
| 2.3 循环神经网络 | 第32-39页 |
| 2.3.1 循环神经网络结构 | 第33-34页 |
| 2.3.2 长短期记忆网络 | 第34-39页 |
| 2.4 本章总结 | 第39-40页 |
| 第三章 基于深度学习的调制识别算法 | 第40-57页 |
| 3.1 调制识别数据集 | 第40-42页 |
| 3.2 深度学习库Keras | 第42-44页 |
| 3.3 基于卷积神经网络的调制识别算法 | 第44-49页 |
| 3.3.1 基于卷积神经网络的调制识别模型 | 第44-46页 |
| 3.3.2 实验结果 | 第46-49页 |
| 3.4 基于CNN_LSTM的调制识别算法 | 第49-55页 |
| 3.4.1 CNN_LSTM网络结构 | 第49-51页 |
| 3.4.2 实验结果与对比 | 第51-55页 |
| 3.5 本章总结 | 第55-57页 |
| 第四章 基于IRLS的反向传播算法在调制识别中应用 | 第57-68页 |
| 4.1 反向传播算法 | 第57-62页 |
| 4.1.1 网络训练 | 第57-59页 |
| 4.1.2 BP算法 | 第59-62页 |
| 4.2 基于IRLS的反向传播算法 | 第62-65页 |
| 4.2.1 IRLS算法 | 第62-63页 |
| 4.2.2 算法设计 | 第63-65页 |
| 4.3 基于IRLS的反向传播算法在调制识别中的应用 | 第65-67页 |
| 4.4 本章总结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 本文总结 | 第68页 |
| 5.2 展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻硕期间取得的研究成果 | 第75页 |