| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 研究的背景 | 第11-13页 |
| 1.2 特征提取国内外研究现状 | 第13-18页 |
| 1.2.1 基于时域的特征提取方法 | 第13页 |
| 1.2.2 基于频域的特征提取方法 | 第13-15页 |
| 1.2.3 基于变换域的特征提取方法 | 第15-18页 |
| 1.3 分类器国内外研究现状 | 第18-22页 |
| 1.3.1 传统机器学习识别算法 | 第19-21页 |
| 1.3.2 支持向量机 | 第21页 |
| 1.3.3 随机森林 | 第21-22页 |
| 1.3.4 神经网络 | 第22页 |
| 1.4 论文的主要研究内容和工作安排 | 第22-25页 |
| 第2章 基于分形理论的数字调制识别研究 | 第25-39页 |
| 2.1 引言 | 第25页 |
| 2.2 传统的一维分形特征提取方法 | 第25-32页 |
| 2.2.1 分形盒维数 | 第25-26页 |
| 2.2.2 Higuchi分形维数 | 第26-27页 |
| 2.2.3 Petrosian分形维数 | 第27-28页 |
| 2.2.4 Katz分形维数 | 第28页 |
| 2.2.5 Sevcik分形维数 | 第28页 |
| 2.2.6 分形维数性能分析 | 第28-30页 |
| 2.2.7 仿真结果与性能分析 | 第30-32页 |
| 2.3 基于灰色关联的分类器设计方法 | 第32-38页 |
| 2.3.1 普通灰色关联算法 | 第32-33页 |
| 2.3.2 区间灰色关联算法 | 第33-34页 |
| 2.3.3 自适应权值灰色关联算法 | 第34-36页 |
| 2.3.4 自适应权值区间灰色关联 | 第36页 |
| 2.3.5 仿真结果与性能分析 | 第36-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第3章 基于信息熵特征的数字调制识别研究 | 第39-79页 |
| 3.1 引言 | 第39页 |
| 3.2 信息熵特征提取算法 | 第39-59页 |
| 3.2.1 常用信息熵提取方法 | 第41-51页 |
| 3.2.2 基于时频分析的熵特征提取方法 | 第51-58页 |
| 3.2.3 熵特征评价 | 第58-59页 |
| 3.3 特征选择算法 | 第59-67页 |
| 3.3.1 特征选择算法简介 | 第59页 |
| 3.3.2 序列前向选择方法 | 第59-60页 |
| 3.3.3 序列浮动前向选择算法 | 第60-61页 |
| 3.3.4 ReliefF特征选择算法 | 第61-63页 |
| 3.3.5 仿真结果与性能分析 | 第63-67页 |
| 3.4 k近邻算法 | 第67-72页 |
| 3.4.1 分类器 | 第67页 |
| 3.4.2 支持向量机 | 第67-69页 |
| 3.4.3 Adaboost算法 | 第69-70页 |
| 3.4.4 梯度提升决策树 | 第70-71页 |
| 3.4.5 Xgboost算法 | 第71-72页 |
| 3.5 仿真结果与性能分析 | 第72-77页 |
| 3.5.1 仿真数据 | 第72-73页 |
| 3.5.2 仿真方法 | 第73页 |
| 3.5.3 仿真结果与性能分析 | 第73-77页 |
| 3.6 本章小结 | 第77-79页 |
| 第4章 基于证据理论的数字调制识别研究 | 第79-107页 |
| 4.1 引言 | 第79页 |
| 4.2 证据理论的基本原理 | 第79-92页 |
| 4.2.1 基本原理 | 第79-80页 |
| 4.2.2 对冲突悖论的研究 | 第80-82页 |
| 4.2.3 常见的解决冲突问题融合方法 | 第82-89页 |
| 4.2.4 可靠性加权融合方法 | 第89-92页 |
| 4.3 基于钟型函数的基本概率赋值函数(BPA)的获取 | 第92-98页 |
| 4.3.1 钟型函数的基本概念 | 第92-94页 |
| 4.3.2 钟型函数的建立 | 第94-95页 |
| 4.3.3 钟型函数获取BPA的算法仿真与结果分析 | 第95-98页 |
| 4.4 基于证据可靠性的分类识别器 | 第98-101页 |
| 4.5 仿真结果与性能分析 | 第101-106页 |
| 4.6 本章小结 | 第106-107页 |
| 第5章 基于深度学习的数字调制识别研究 | 第107-129页 |
| 5.1 引言 | 第107-108页 |
| 5.2 深度学习的发展与现状 | 第108-109页 |
| 5.3 深度学习体系结构和模型 | 第109-111页 |
| 5.3.1 神经网络的训练机制 | 第109-110页 |
| 5.3.2 深度网络训练过程 | 第110-111页 |
| 5.4 卷积神经网络的结构和模型 | 第111-112页 |
| 5.5 CNN框架介绍 | 第112-114页 |
| 5.6 信号预处理方法 | 第114-119页 |
| 5.6.1 星座图 | 第114-116页 |
| 5.6.2 等势星球图 | 第116-118页 |
| 5.6.3 基于生成对抗网络的数据增强 | 第118-119页 |
| 5.7 仿真结果与性能分析 | 第119-128页 |
| 5.7.1 数据集的准备 | 第119-120页 |
| 5.7.2 CNN和GAN的搭建环境超参数设置 | 第120-128页 |
| 5.8 本章小结 | 第128-129页 |
| 结论 | 第129-132页 |
| 参考文献 | 第132-143页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第143-144页 |
| 致谢 | 第144页 |