| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 信号调制识别的研究现状 | 第9-11页 |
| 1.2.1 调制信号特征提取的研究现状 | 第9-10页 |
| 1.2.2 调制信号分类算法的研究现状 | 第10-11页 |
| 1.3 本文主要工作和结构 | 第11-13页 |
| 第二章 信号调制理论概述及调制识别算法分析 | 第13-22页 |
| 2.1 通信信号的基本调制方式 | 第13-19页 |
| 2.2 调制识别算法基础 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 基于高阶累积量与局部均值分解的特征提取 | 第22-35页 |
| 3.1 基于高阶累积量的特征提取 | 第22-28页 |
| 3.1.1 高阶累积量的理论知识 | 第22-25页 |
| 3.1.2 特征参数选取 | 第25-28页 |
| 3.2 基于LMD的特征提取 | 第28-33页 |
| 3.2.0 局部均值分解的理论知识 | 第28-33页 |
| 3.2.1 特征参数选取 | 第33页 |
| 3.3 特征提取 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于GWO算法优化LSSVM的研究 | 第35-49页 |
| 4.1 最小二乘支持向量机 | 第35-37页 |
| 4.2 灰狼优化算法 | 第37-40页 |
| 4.2.1 算法来源 | 第37-38页 |
| 4.2.2 算法数学模型 | 第38-40页 |
| 4.3 基于GWO优化LSSVM的调制信号分类器设计 | 第40-43页 |
| 4.3.1 GWO优化LSSVM算法分析 | 第41页 |
| 4.3.2 GWO-LSSVM算法模型构建 | 第41-42页 |
| 4.3.3 调制信号识别分类器设计 | 第42-43页 |
| 4.4 仿真与结果分析 | 第43-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第五章 基于布谷鸟算法改进的GWO-LSSVM分类器 | 第49-59页 |
| 5.1 布谷鸟算法基础 | 第49-52页 |
| 5.1.1 算法来源 | 第49-50页 |
| 5.1.2 算法数学模型 | 第50-52页 |
| 5.2 布谷鸟搜索算法改进GWO算法 | 第52-53页 |
| 5.3 基于CS-GWO算法优化LSSVM分类器 | 第53-54页 |
| 5.4 仿真与结果分析 | 第54-57页 |
| 5.5 本章小结 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 附录1 攻读硕士学位期间申请的专利 | 第64-65页 |
| 致谢 | 第65页 |