| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 缩略词表 | 第14-16页 |
| 第一章 绪论 | 第16-28页 |
| 1.1 课题研究背景及意义 | 第16-17页 |
| 1.2 认知抗干扰技术研究现状 | 第17-18页 |
| 1.3 实时智能决策技术研究现状 | 第18-26页 |
| 1.3.1 基于案例推理 | 第18页 |
| 1.3.2 基于规则推理 | 第18-19页 |
| 1.3.3 群体智能算法 | 第19-21页 |
| 1.3.4 神经网络 | 第21-23页 |
| 1.3.5 深度学习 | 第23-25页 |
| 1.3.6 强化学习 | 第25-26页 |
| 1.4 论文主要的研究内容以及结构安排 | 第26-27页 |
| 1.5 本章小结 | 第27-28页 |
| 第二章 认知抗干扰通信系统智能决策引擎 | 第28-52页 |
| 2.1 认知决策引擎概述 | 第28-31页 |
| 2.1.1 认知循环 | 第28-30页 |
| 2.1.2 现有的认知引擎模型 | 第30-31页 |
| 2.2 NC-OFDM认知抗干扰系统原理 | 第31-33页 |
| 2.2.1 NC-OFDM系统原理 | 第31-32页 |
| 2.2.2 系统参数 | 第32-33页 |
| 2.3 认知抗干扰通信系统的智能决策引擎设计 | 第33-51页 |
| 2.3.1 模型介绍 | 第33-35页 |
| 2.3.2 知识表示 | 第35-36页 |
| 2.3.3 搜索决策单元设计 | 第36-37页 |
| 2.3.4 快速决策单元和决策修正单元研究 | 第37-51页 |
| 2.4 本章小结 | 第51-52页 |
| 第三章 基于人工蜂群算法的认知抗干扰快速决策单元研究 | 第52-66页 |
| 3.1 基于人工蜂群算法的认知抗干扰快速决策单元设计 | 第52-54页 |
| 3.1.1 基于人工蜂群算法的快速决策框架 | 第52-53页 |
| 3.1.2 模型设计 | 第53-54页 |
| 3.2 基于人工蜂群算法的快速决策单元参数设定 | 第54-58页 |
| 3.2.1 初始种群 | 第55-56页 |
| 3.2.2 邻域搜索方法 | 第56-58页 |
| 3.2.3 侦查蜂个数与淘汰门限 | 第58页 |
| 3.3 基于人工蜂群算法的快速决策单元抗干扰性能仿真分析 | 第58-65页 |
| 3.3.1 无干扰情况 | 第58-59页 |
| 3.3.2 干扰环境 | 第59-65页 |
| 3.4 本章小结 | 第65-66页 |
| 第四章 基于BP神经网络的认知抗干扰快速决策单元研究 | 第66-84页 |
| 4.1 基于BP神经网络的认知抗干扰快速决策单元设计 | 第66-71页 |
| 4.1.2 BP神经网络算法原理 | 第67-70页 |
| 4.1.3 模型设计 | 第70-71页 |
| 4.2 基于BP神经网络的快速决策单元参数设计 | 第71-78页 |
| 4.2.1 网络大小 | 第71-73页 |
| 4.2.2 初始化方式 | 第73-74页 |
| 4.2.3 小批量数据量 | 第74-76页 |
| 4.2.4 学习率 | 第76-78页 |
| 4.3 基于BP神经网络的快速决策单元性能仿真分析 | 第78-82页 |
| 4.3.1 抗干扰能力 | 第78-80页 |
| 4.3.2 容错能力 | 第80-81页 |
| 4.3.3 泛化能力 | 第81-82页 |
| 4.4 本章小结 | 第82-84页 |
| 第五章 认知抗干扰通信系统智能决策引擎系统性能研究 | 第84-94页 |
| 5.1 基于规则推理的认知抗干扰修正决策单元 | 第84-87页 |
| 5.2 系统总体性能 | 第87-93页 |
| 5.2.1 存在有效案例 | 第88页 |
| 5.2.2 不存在有效案例 | 第88-93页 |
| 5.3 本章小结 | 第93-94页 |
| 第六章 总结 | 第94-96页 |
| 6.1 本文主要贡献 | 第94-95页 |
| 6.2 研究展望 | 第95-96页 |
| 致谢 | 第96-97页 |
| 参考文献 | 第97-107页 |
| 个人简历 | 第107-108页 |
| 攻读硕士学位期间的研究成果 | 第108页 |
