| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外的研究现状 | 第14-16页 |
| 1.3 论文主要工作及内容安排 | 第16-17页 |
| 第二章 数字信号调制识别技术 | 第17-47页 |
| 2.1 基于时域特征参数提取的信号调制识别 | 第17-26页 |
| 2.1.1 时域特征参数的提取 | 第17-21页 |
| 2.1.2 基于时域特征参数的识别过程 | 第21-22页 |
| 2.1.3 仿真结果 | 第22-26页 |
| 2.2 基于最大似然估计的信号调制识别 | 第26-33页 |
| 2.2.1 信号模型 | 第26-27页 |
| 2.2.2 似然函数构成 | 第27-28页 |
| 2.2.3 最大似然准则 | 第28页 |
| 2.2.4 似然比检验 | 第28-31页 |
| 2.2.5 仿真分析 | 第31-33页 |
| 2.3 基于幅度矩的信号调制识别方法 | 第33-39页 |
| 2.3.1 幅度矩特征参数提取 | 第33-35页 |
| 2.3.2 时间延迟τ对幅度矩的影响 | 第35-36页 |
| 2.3.3 基于幅度矩的调制识别过程 | 第36-37页 |
| 2.3.4 仿真结果 | 第37-39页 |
| 2.4 基于小波变换的信号调制识别 | 第39-45页 |
| 2.4.1 小波分析原理 | 第39-40页 |
| 2.4.2 数字调制信号小波变换特征 | 第40-44页 |
| 2.4.3 基于小波变换的调制识别过程 | 第44-45页 |
| 2.5 本章小结 | 第45-47页 |
| 第三章 基于神经网络的MPSK信号类内识别算法研究 | 第47-66页 |
| 3.1 MPSK调制信号 | 第47-49页 |
| 3.2 BP神经网络分类器 | 第49-54页 |
| 3.2.1 BP神经网络分类器的结构与原理 | 第49-51页 |
| 3.2.2 神经元模型 | 第51-52页 |
| 3.2.3 BP神经网络分类器模型建立 | 第52-53页 |
| 3.2.4 BP神经网络分类器的训练 | 第53-54页 |
| 3.3 高阶累积量 | 第54-60页 |
| 3.3.1 高阶统计量基础 | 第54-56页 |
| 3.3.2 高斯随机变量的高阶累积量 | 第56页 |
| 3.3.3 MPSK信号的高阶累积量 | 第56-58页 |
| 3.3.4 基于高阶累积量的特征参数 | 第58-60页 |
| 3.4 仿真分析 | 第60-64页 |
| 3.5 算法比较 | 第64-65页 |
| 3.6 本章小结 | 第65-66页 |
| 第四章 MQAM信号类内识别算法研究 | 第66-88页 |
| 4.1 MQAM调制信号 | 第66-68页 |
| 4.2 基于星座图聚类的MQAM信号类内识别算法 | 第68-79页 |
| 4.2.1 信号星座图 | 第68-70页 |
| 4.2.2 星座图的聚类算法 | 第70-73页 |
| 4.2.3 仿真分析 | 第73-79页 |
| 4.3 基于最大似然估计的MQAM信号类内识别算法 | 第79-86页 |
| 4.3.1 最大似然估计法的基本思想 | 第79-81页 |
| 4.3.2 MQAM信号的似然函数建立 | 第81-85页 |
| 4.3.3 基于最大似然估计的MQAM信号识别过程 | 第85页 |
| 4.3.4 仿真分析 | 第85-86页 |
| 4.4 算法比较 | 第86-87页 |
| 4.5 本章小结 | 第87-88页 |
| 第五章 总结与展望 | 第88-89页 |
| 5.1 总结 | 第88页 |
| 5.2 展望 | 第88-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-95页 |
| 攻读硕士学位期间取得成果 | 第95-96页 |
