| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状与发展趋势 | 第10-16页 |
| 1.2.1 通信抗干扰研究进展与现状 | 第10-12页 |
| 1.2.2 认知域抗干扰技术研究现状 | 第12-16页 |
| 1.3 本文主要研究内容 | 第16页 |
| 1.4 本文结构安排 | 第16-19页 |
| 2 认知抗干扰技术理论基础 | 第19-33页 |
| 2.1 通信抗干扰理论 | 第19-21页 |
| 2.1.1 通信干扰数学模型 | 第19-20页 |
| 2.1.2 通信抗干扰原理 | 第20-21页 |
| 2.2 认知抗干扰频谱感知方法 | 第21-28页 |
| 2.2.1 宽带频谱感知算法 | 第21-23页 |
| 2.2.2 信号稀疏化处理 | 第23-24页 |
| 2.2.3 频谱检测算法 | 第24-28页 |
| 2.3 认知抗干扰智能决策方法 | 第28-32页 |
| 2.3.1 智能决策理论基础 | 第28-30页 |
| 2.3.2 认知抗干扰中智能决策技术应用 | 第30-32页 |
| 2.4 本章小节 | 第32-33页 |
| 3 基于贝叶斯压缩感知的宽带Chirp类干扰频谱感知方法 | 第33-46页 |
| 3.1 引言 | 第33-34页 |
| 3.2 基于压缩感知与熵的多天线宽带频谱检测算法 | 第34-39页 |
| 3.2.1 接收信号模型 | 第34页 |
| 3.2.2 基于压缩感知的多天线宽带频谱感知算法 | 第34-37页 |
| 3.2.3 基于频域信息熵的频谱判决算法 | 第37-39页 |
| 3.3 实验仿真及分析 | 第39-44页 |
| 3.4 本章小结 | 第44-46页 |
| 4 基于强化学习的无人机集群安全信道智能决策方法 | 第46-63页 |
| 4.1 引言 | 第46-47页 |
| 4.2 基于A2C与SG的多域无人机认知抗干扰算法 | 第47-56页 |
| 4.2.1 无人机集群网络模型 | 第47页 |
| 4.2.2 基于A2C的频域抗干扰算法 | 第47-50页 |
| 4.2.3 基于SG的功率域抗干扰算法 | 第50-54页 |
| 4.2.4 多域认知抗干扰算法复杂度分析 | 第54-55页 |
| 4.2.5 基于簇头协助的信道选择算法 | 第55-56页 |
| 4.3 实验仿真及分析 | 第56-61页 |
| 4.4 本章小节 | 第61-63页 |
| 5 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间发表学术论文情况 | 第71-72页 |
| 致谢 | 第72-73页 |