基于机器学习与压缩感知的认知无线电频谱感知方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| Contents | 第10-12页 |
| 第1章 绪论 | 第12-26页 |
| 1.1 课题背景及研究的目的和意义 | 第12-13页 |
| 1.2 频谱感知研究现状 | 第13-17页 |
| 1.2.1 单用户认知无线电频谱感知研究现状 | 第14-15页 |
| 1.2.2 多用户认知无线电频谱感知研究现状 | 第15-17页 |
| 1.3 压缩感知研究现状 | 第17-23页 |
| 1.3.1 压缩感知观测矩阵研究现状 | 第19-21页 |
| 1.3.2 压缩感知重构算法研究现状 | 第21-23页 |
| 1.4 本文的主要研究内容 | 第23-26页 |
| 第2章 机器学习与压缩感知原理 | 第26-43页 |
| 2.1 引言 | 第26-27页 |
| 2.2 机器学习原理介绍 | 第27-37页 |
| 2.2.1 支持向量机 | 第27-32页 |
| 2.2.2 相关向量机 | 第32-37页 |
| 2.3 压缩感知原理介绍 | 第37-40页 |
| 2.4 仿真实验 | 第40-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第3章 基于机器学习的模块化窄带频谱感知 | 第43-62页 |
| 3.1 引言 | 第43-44页 |
| 3.2 粒子群自适应优化SVM | 第44-47页 |
| 3.3 非线性门限的获得与理论分析 | 第47-55页 |
| 3.3.1 能量检测的基本概念 | 第48-50页 |
| 3.3.2 非线性门限能量检测系统 | 第50-55页 |
| 3.4 仿真结果 | 第55-61页 |
| 3.5 本章小结 | 第61-62页 |
| 第4章 基于单任务压缩感知的宽带频谱感知 | 第62-92页 |
| 4.1 引言 | 第62-63页 |
| 4.2 系统模型 | 第63-65页 |
| 4.3 基于Walsh码的压缩感知观测矩阵 | 第65-74页 |
| 4.3.1 观测矩阵的理论条件 | 第65-69页 |
| 4.3.2 Walsh序列观测矩阵 | 第69-72页 |
| 4.3.3 Walsh序列观测矩阵性能验证 | 第72-74页 |
| 4.4 基于相关向量机的压缩感知重构算法 | 第74-87页 |
| 4.4.1 贝叶斯角度的压缩感知重构算法 | 第75-77页 |
| 4.4.2 通过RVM实现的压缩感知重构算法 | 第77-79页 |
| 4.4.3 快速RVM | 第79-85页 |
| 4.4.4 基于相关向量机的重构算法性能验证 | 第85-87页 |
| 4.5 仿真结果 | 第87-91页 |
| 4.5.1 算法重构性能比较 | 第87-88页 |
| 4.5.2 频谱感知性能比较 | 第88-91页 |
| 4.6 本章小结 | 第91-92页 |
| 第5章 基于多任务压缩感知的宽带协作频谱感知 | 第92-112页 |
| 5.1 引言 | 第92-93页 |
| 5.2 系统模型 | 第93-95页 |
| 5.3 基于压缩感知的协作频谱感知 | 第95-106页 |
| 5.3.1 认知用户端的压缩频谱感知 | 第95-97页 |
| 5.3.2 基于多任务压缩感知的协作频谱感知 | 第97-106页 |
| 5.4 仿真结果 | 第106-111页 |
| 5.4.1 算法重构性能比较 | 第106-107页 |
| 5.4.2 频谱感知性能比较 | 第107-111页 |
| 5.5 本章小结 | 第111-112页 |
| 结论 | 第112-114页 |
| 参考文献 | 第114-123页 |
| 攻读博士学位期间发表的论文及其它成果 | 第123-126页 |
| 致谢 | 第126-127页 |
| 个人简历 | 第127页 |
