| 摘要 | 第1-6页 |
| ABSTRACT | 第6-14页 |
| 第一章 绪论 | 第14-24页 |
| ·研究背景和意义 | 第14-18页 |
| ·传统信道均衡、信道辨识及其缺陷 | 第14-15页 |
| ·盲辨识、盲均衡的提出 | 第15-17页 |
| ·研究意义 | 第17-18页 |
| ·研究现状 | 第18-22页 |
| ·理论研究 | 第18-21页 |
| ·应用研究 | 第21-22页 |
| ·本文主要内容及章节安排 | 第22-24页 |
| 第二章 基于低阶统计量非最小相位FIR信道盲辨识的可行性分析 | 第24-38页 |
| ·引言 | 第24页 |
| ·数学模型 | 第24-25页 |
| ·采样模型 | 第25-28页 |
| ·采样率等于输入信号码率 | 第25-27页 |
| ·采样率高于输入信号码率 | 第27-28页 |
| ·基于二阶统计量的可辨识性分析 | 第28-31页 |
| ·多信道模型 | 第31-34页 |
| ·基于一阶统计量的可辨识性分析 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第三章 基于子空间分解的FIR信道盲辨识 | 第38-55页 |
| ·引言 | 第38页 |
| ·平稳信号输入 | 第38-42页 |
| ·算法描述 | 第38-39页 |
| ·仿真结果及分析 | 第39-42页 |
| ·确定性信号输入 | 第42-50页 |
| ·数学模型 | 第42-43页 |
| ·噪声子空间法 | 第43-45页 |
| ·信号子空间法 | 第45-47页 |
| ·仿真结果及分析 | 第47-50页 |
| ·子空间加权 | 第50-54页 |
| ·算法描述 | 第50-52页 |
| ·仿真结果及分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第四章 基于多抽样率分析的IIR信道盲辨识 | 第55-82页 |
| ·引言 | 第55页 |
| ·数学模型 | 第55-57页 |
| ·由过采样建立多信道模型 | 第57-63页 |
| ·独立同分布输入 | 第63-72页 |
| ·算法描述 | 第63-65页 |
| ·可辨识性分析 | 第65-68页 |
| ·仿真结果与讨论 | 第68-72页 |
| ·确定性信号输入 | 第72-81页 |
| ·算法描述 | 第72-75页 |
| ·可辨识性分析 | 第75-78页 |
| ·对多信道模型的进一步讨论 | 第78页 |
| ·仿真结果与讨论 | 第78-81页 |
| ·本章小结 | 第81-82页 |
| 第五章 基于遗传算法的盲信道辨识 | 第82-95页 |
| ·引言 | 第82页 |
| ·遗传算法简介 | 第82-87页 |
| ·基于遗传算法的FIR信道盲辨识 | 第87-91页 |
| ·目标函数 | 第87-88页 |
| ·算法描述 | 第88-90页 |
| ·仿真结果与讨论 | 第90-91页 |
| ·基于遗传算法的IIR信道盲辨识 | 第91-94页 |
| ·目标函数 | 第91-92页 |
| ·算法描述 | 第92-93页 |
| ·仿真结果与讨论 | 第93-94页 |
| ·本章小结 | 第94-95页 |
| 第六章 信道衰落中的盲多用户检测 | 第95-107页 |
| ·引言 | 第95-96页 |
| ·数学模型 | 第96-98页 |
| ·现有算法 | 第98-103页 |
| ·基于子空间分解 | 第99-100页 |
| ·基于线性预测 | 第100-101页 |
| ·迭代算法 | 第101-103页 |
| ·输入为Markov序列时的多用户检测 | 第103-106页 |
| ·算法描述 | 第103-105页 |
| ·仿真结果与讨论 | 第105-106页 |
| ·本章小结 | 第106-107页 |
| 结论 | 第107-108页 |
| 参考文献 | 第108-117页 |
| 攻读博士期间完成论文 | 第117-118页 |
| 致谢 | 第118页 |