| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·通信信号调制识别的意义 | 第7-8页 |
| ·通信信号调制识别的历史和现状 | 第8-10页 |
| ·神经网络的基本概念及发展历程 | 第10-11页 |
| ·神经网络用于信号调制识别的算法概述 | 第11-13页 |
| ·神经网络调制识别系统模型 | 第11-12页 |
| ·神经网络用于调制识别的优缺点 | 第12-13页 |
| ·本论文的主要工作 | 第13-15页 |
| 第二章 系统流程综述 | 第15-21页 |
| ·信号的产生 | 第15-19页 |
| ·特征值的提取 | 第19页 |
| ·网络的训练 | 第19-21页 |
| 第三章 最优BP网络 | 第21-37页 |
| ·BP网络概述 | 第21-23页 |
| ·噪声干扰、信号处理方式对识别结果的影响 | 第23-25页 |
| ·信噪比对识别结果的影响 | 第23-24页 |
| ·信号采样点数对识别结果的影响 | 第24页 |
| ·样本段数对识别结果的影响 | 第24-25页 |
| ·BP网络参数对识别结果的影响 | 第25-34页 |
| ·初始权值对识别结果的影响 | 第25-31页 |
| ·训练步数对识别结果的影响 | 第31-32页 |
| ·网络学习率η和动量参数α对识别结果的影响 | 第32-34页 |
| ·最优BP网络系统 | 第34-37页 |
| 第四章 对BP网络的改进 | 第37-41页 |
| ·动量梯度下降反向传播算法(traindm) | 第37-38页 |
| ·尺度化共轭梯度反向传播算法(trainscg) | 第38页 |
| ·Powell—Beale共轭梯度反向传播算法(traincgb) | 第38-39页 |
| ·弹性反向传播算法(trainrp) | 第39页 |
| ·自适应学习速率梯度下降反向传播算法(traingda) | 第39-40页 |
| ·改进算法与传统BP网络的性能比较 | 第40-41页 |
| 第五章 对其他种类神经网络的研究 | 第41-51页 |
| ·感知器网络 | 第41-42页 |
| ·线性神经网络 | 第42-43页 |
| ·径向基神经网络 | 第43-45页 |
| ·Elman神经网络 | 第45-46页 |
| ·ART神经网络 | 第46-47页 |
| ·实验仿真结果 | 第47-49页 |
| ·本意小结 | 第49-51页 |
| 第六章 结束语 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文 | 第57-58页 |