| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 缩略词表 | 第15-17页 |
| 第一章 绪论 | 第17-24页 |
| 1.1 课题研究背景及意义 | 第17-18页 |
| 1.2 智能抗干扰技术研究现状 | 第18-20页 |
| 1.3 实时智能决策技术研究现状 | 第20-22页 |
| 1.3.1 优化算法 | 第20-21页 |
| 1.3.2 学习推理算法 | 第21-22页 |
| 1.4 论文主要的研究内容以及结构安排 | 第22-23页 |
| 1.5 本章小结 | 第23-24页 |
| 第二章 智能抗干扰决策引擎算法基本原理 | 第24-32页 |
| 2.1 智能抗干扰决策引擎概述 | 第24页 |
| 2.2 优化单元算法 | 第24-28页 |
| 2.2.1 基础遗传算法 | 第24-26页 |
| 2.2.2 粒群优化算法 | 第26页 |
| 2.2.3 免疫遗传算法 | 第26-27页 |
| 2.2.4 自适应遗传算法 | 第27-28页 |
| 2.2.5 优化算法比较 | 第28页 |
| 2.3 学习单元算法 | 第28-31页 |
| 2.3.1 基于规则推理 | 第28-29页 |
| 2.3.2 基于案例推理 | 第29-30页 |
| 2.3.3 算法比较 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 NC-OFDM系统基于规则的智能抗干扰决策算法研究 | 第32-50页 |
| 3.1 NC-OFDM系统基于规则的智能抗干扰决策引擎设计 | 第32-38页 |
| 3.1.1 NC-OFDM系统原理和参数设计 | 第32-34页 |
| 3.1.2 基于规则的智能抗干扰决策引擎设计 | 第34-35页 |
| 3.1.3 基于规则的智能抗干扰决策算法 | 第35-38页 |
| 3.2 基于SNR差值和PER的AMC算法 | 第38-45页 |
| 3.2.1 算法原理 | 第38-42页 |
| 3.2.2 算法仿真分析 | 第42-45页 |
| 3.3 基于干扰认知的自适应子带选择算法 | 第45-48页 |
| 3.3.1 算法原理 | 第45-46页 |
| 3.3.2 门限选择 | 第46-48页 |
| 3.4 本章小结 | 第48-50页 |
| 第四章 基于规则决策的NC-OFDM系统抗干扰性能仿真分析 | 第50-63页 |
| 4.1 仿真参数设置 | 第50页 |
| 4.2 无干扰条件下系统性能仿真分析 | 第50-52页 |
| 4.2.1 AWGN信道 | 第50-51页 |
| 4.2.2 EVA 70Hz衰落信道 | 第51-52页 |
| 4.3 干扰条件下系统的抗干扰性能仿真分析 | 第52-61页 |
| 4.3.1 部分带噪声干扰 | 第52-56页 |
| 4.3.2 瞄准式干扰 | 第56-57页 |
| 4.3.3 梳状干扰 | 第57-59页 |
| 4.3.4 脉冲干扰 | 第59-60页 |
| 4.3.5 锯齿波扫频干扰 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第五章 NC-OFDM系统基于遗传算法的智能抗干扰决策 | 第63-78页 |
| 5.1 基于遗传算法的智能抗干扰决策引擎设计 | 第63-66页 |
| 5.1.1 基于遗传算法的智能抗干扰决策引擎框架 | 第63-64页 |
| 5.1.2 优化决策单元设计 | 第64-66页 |
| 5.2 基于遗传算法的决策单元参数分析 | 第66-72页 |
| 5.2.1 初始种群 | 第67-68页 |
| 5.2.2 交叉概率 | 第68页 |
| 5.2.3 变异概率 | 第68-69页 |
| 5.2.4 加权系数 | 第69-70页 |
| 5.2.5 遗传算法的改进 | 第70-72页 |
| 5.3 基于遗传算法的NC-OFDM系统抗干扰性能仿真分析 | 第72-77页 |
| 5.3.1 无干扰情况下决策引擎性能仿真分析 | 第72-73页 |
| 5.3.2 干扰环境基于遗传算法的智能决策 | 第73-77页 |
| 5.4 本章小结 | 第77-78页 |
| 第六章 全文总结及展望 | 第78-80页 |
| 6.1 本文主要贡献 | 第78页 |
| 6.2 研究展望 | 第78-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 个人简历 | 第85-86页 |
| 攻读硕士学位期间的研究成果 | 第86-87页 |
