| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-16页 |
| 第一章 绪论 | 第16-32页 |
| ·多天线无线通信概述 | 第16-18页 |
| ·多天线无线通信的发展 | 第17-18页 |
| ·智能天线 | 第18-22页 |
| ·智能天线工作原理和方式 | 第18-20页 |
| ·智能天线在CDMA上的应用 | 第20页 |
| ·智能天线的关键技术 | 第20-22页 |
| ·MIMO系统与天线选择技术 | 第22-27页 |
| ·MIMO系统 | 第22-23页 |
| ·信道模型与空时编码 | 第23-24页 |
| ·MIMO的研究现状 | 第24-26页 |
| ·天线选择技术 | 第26-27页 |
| ·本文的研究目的和主要内容 | 第27-29页 |
| ·本文的主要贡献 | 第29-32页 |
| 第二章 支持向量机 | 第32-52页 |
| ·线性学习器 | 第33-37页 |
| ·线性分类 | 第33-36页 |
| ·线性回归 | 第36页 |
| ·线性学习问题的对偶表示 | 第36-37页 |
| ·核函数特征空间和泛化理论 | 第37-41页 |
| ·特征空间的学习 | 第37-38页 |
| ·特征空间映射与核函数 | 第38-39页 |
| ·VC维理论 | 第39-40页 |
| ·结构风险最小化 | 第40-41页 |
| ·支持向量机 | 第41-46页 |
| ·最大间隔分类器 | 第41-43页 |
| ·软间隔优化 | 第43-44页 |
| ·支持向量机的研究现状 | 第44-46页 |
| ·改进的快速支持向量实现方法 | 第46-49页 |
| ·分解方法 | 第46-47页 |
| ·修改优化问题的方法 | 第47-48页 |
| ·增量迭代学习方法 | 第48-49页 |
| ·SVM方法在无线信号处理上的应用 | 第49-52页 |
| 第三章 基于快速在线支持向量分类的多用户检测 | 第52-76页 |
| ·多用户检测技术 | 第52-60页 |
| ·性能度量 | 第53-54页 |
| ·多用户检测模型 | 第54-56页 |
| ·多用户检测方法 | 第56-59页 |
| ·基于支持向量机的多用户检测 | 第59-60页 |
| ·FOSVC方法 | 第60-67页 |
| ·FOSVC算法 | 第61-63页 |
| ·收敛性证明 | 第63-67页 |
| ·基于FOSVC的多用户检测 | 第67-68页 |
| ·检测模型 | 第67-68页 |
| ·基于FOSVC的多用户检测算法 | 第68页 |
| ·实验和结果 | 第68-72页 |
| ·FOSVC算法的收敛速度 | 第69-71页 |
| ·FOSVC用于多用户检测的性能 | 第71-72页 |
| ·本章小结 | 第72-76页 |
| 第四章 MIMO系统的天线选择技术 | 第76-94页 |
| ·信道模型和容量分析 | 第77-80页 |
| ·信道模型 | 第77-78页 |
| ·MIMO系统容量 | 第78-80页 |
| ·MIMO系统的空时编码 | 第80-83页 |
| ·编码方案 | 第81-83页 |
| ·天线选择技术 | 第83-88页 |
| ·概述 | 第83-84页 |
| ·天线选择的准则 | 第84-88页 |
| ·天线选择方法 | 第88-94页 |
| ·最优天线选择算法 | 第88-89页 |
| ·次优天线选择方法 | 第89-94页 |
| 第五章 基于特征空间的天线选择算法 | 第94-108页 |
| ·问题模型 | 第94-95页 |
| ·基于特征空间的天线选择算法 | 第95-102页 |
| ·特征空间的分解及渐消算法 | 第96-99页 |
| ·基于特征空间的简化算法 | 第99-100页 |
| ·简化算法与NBS算法的比较 | 第100-101页 |
| ·发射天线的天线选择 | 第101-102页 |
| ·实验及结果 | 第102-106页 |
| ·新算法的执行效率 | 第102-103页 |
| ·基于特征空间渐消选择算法(EVBGE)的容量性能 | 第103-105页 |
| ·基于特征空间简化算法的容量性能 | 第105-106页 |
| ·本章小结 | 第106-108页 |
| 第六章 总结与展望 | 第108-112页 |
| ·总结 | 第108-109页 |
| ·展望 | 第109-112页 |
| 参考文献 | 第112-124页 |
| 致谢 | 第124-126页 |
| 攻读博士学位期间的主要工作 | 第126-127页 |