| 摘要 | 第4-7页 |
| ABSTRACT | 第7-10页 |
| 符号对照表 | 第19-21页 |
| 第一章 绪论 | 第21-35页 |
| 1.1 研究背景和意义 | 第21-22页 |
| 1.2 国内外研究现状和面临问题 | 第22-26页 |
| 1.2.1 国内外研究现状 | 第22-25页 |
| 1.2.2 信号调制体制识别面临的问题 | 第25-26页 |
| 1.3 论文的主要工作 | 第26-28页 |
| 1.3.1 移动通信信号的调制体制识别 | 第26-27页 |
| 1.3.2 空间相关衰落信道下MIMO信号调制体制识别 | 第27页 |
| 1.3.3 信号样本较少情况下数字调制信号识别 | 第27-28页 |
| 1.3.4 雷达脉内信号调制体制识别 | 第28页 |
| 1.4 论文的章节安排 | 第28-30页 |
| 参考文献 | 第30-35页 |
| 第二章 调制体制识别技术 | 第35-65页 |
| 2.1 调制体制识别成果回顾 | 第35-36页 |
| 2.1.1 信号类型 | 第35-36页 |
| 2.1.2 信道类型 | 第36页 |
| 2.1.3 信号预处理 | 第36页 |
| 2.1.4 分类器算法 | 第36页 |
| 2.2 基于似然比的调制体制识别算法 | 第36-39页 |
| 2.2.1 极大似然调制识别算法流程图 | 第37页 |
| 2.2.2 极大似然调制识别算法原理和分类 | 第37-39页 |
| 2.3 基于特征提取的调制识别算法 | 第39-46页 |
| 2.3.1 基于特征提取统计理论流程图 | 第40页 |
| 2.3.2 特征提取调制识别算法原理和分类 | 第40页 |
| 2.3.3 瞬时值统计特征提取算法 | 第40-43页 |
| 2.3.4 时频分布特征提取算法 | 第43-44页 |
| 2.3.5 星座几何特征提取算法 | 第44-46页 |
| 2.3.6 高阶统计量特征提取算法 | 第46页 |
| 2.4 基于统计理论机器学习算法 | 第46-60页 |
| 2.4.1 BP神经网络 | 第48-54页 |
| 2.4.2 SVM支持向量机 | 第54-57页 |
| 2.4.3 ELM极限学习机 | 第57-60页 |
| 2.4.4 算法分类性能比较 | 第60页 |
| 2.5 本章小结 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 第三章 移动通信信号的调制体制识别 | 第65-89页 |
| 3.1 引言 | 第65-66页 |
| 3.2 系统模型 | 第66-74页 |
| 3.2.1 移动通信信号分析 | 第66-69页 |
| 3.2.2 高斯信道模型 | 第69页 |
| 3.2.3 瑞利衰落信道模型 | 第69-71页 |
| 3.2.4 特征分析 | 第71-74页 |
| 3.3 自适应极限学习机算法 | 第74-78页 |
| 3.3.1 差分进化算法理论 | 第75-76页 |
| 3.3.2 自适应极限学习机 | 第76-78页 |
| 3.4 性能分析 | 第78-85页 |
| 3.4.1 仿真条件 | 第78-79页 |
| 3.4.2 单一移动通信信号的识别仿真 | 第79-81页 |
| 3.4.3 瑞利衰落信道下时延对调制体制识别的影响 | 第81-82页 |
| 3.4.4 瑞利衰落信道下多径数目对调制体制识别的影响 | 第82-83页 |
| 3.4.5 混合信号识别 | 第83-84页 |
| 3.4.6 算法比较 | 第84-85页 |
| 3.5 小结 | 第85-86页 |
| 参考文献 | 第86-89页 |
| 第四章 MIMO信号调制体制识别 | 第89-113页 |
| 4.1 引言 | 第89-91页 |
| 4.2 系统模型 | 第91-99页 |
| 4.2.1 MIMO信号分析 | 第91页 |
| 4.2.2 空间相关信道模型 | 第91-96页 |
| 4.2.3 MIMO信道均衡 | 第96-97页 |
| 4.2.4 特征提取 | 第97-99页 |
| 4.3 MIMO信号调制体制识别仿真分析 | 第99-108页 |
| 4.3.1 仿真参数 | 第100页 |
| 4.3.2 单一类内信号在空间相关衰落信道下的盲识别 | 第100-102页 |
| 4.3.3 混合信号在空间相关信道的盲识别 | 第102-104页 |
| 4.3.4 天线数目对MIMO信号调制体制识别的影响 | 第104-105页 |
| 4.3.5 多径效应对MIMO信号调制体制识别的影响 | 第105-106页 |
| 4.3.6 均衡算法在MIMO信号调制体制识别中的应用 | 第106-107页 |
| 4.3.7 算法比较 | 第107-108页 |
| 4.4 小结 | 第108-110页 |
| 参考文献 | 第110-113页 |
| 第五章 基于半监督分类器信号调制体制识别算法 | 第113-133页 |
| 5.1 引言 | 第113-114页 |
| 5.2 半监督学习算法 | 第114-117页 |
| 5.2.1 半监督学习依赖假设 | 第115-116页 |
| 5.2.2 半监督学习种类 | 第116-117页 |
| 5.3 半监督调制体制识别系统模型 | 第117-119页 |
| 5.3.1 信号分析 | 第117-118页 |
| 5.3.2 信道模型 | 第118页 |
| 5.3.3 特征提取分析 | 第118-119页 |
| 5.4 半监督极限学习机算法 | 第119-122页 |
| 5.4.1 流行正则化架构 | 第119-120页 |
| 5.4.2 半监督极限学习机算法 | 第120-122页 |
| 5.5 仿真分析 | 第122-128页 |
| 5.5.1 仿真参数 | 第122-123页 |
| 5.5.2 单一信号在AWGN信道和瑞利衰落信道下的调制体制识别 | 第123-125页 |
| 5.5.3 混合信号在AWGN和瑞利衰落信道下的调制体制识别 | 第125-126页 |
| 5.5.4 标记数据样本数量对信号调制体制识别的影响 | 第126-128页 |
| 5.6 本章小结 | 第128-129页 |
| 参考文献 | 第129-133页 |
| 第六章 雷达信号调制体制识别 | 第133-153页 |
| 6.1 引言 | 第133-134页 |
| 6.2 系统模型 | 第134-145页 |
| 6.2.1 雷达信号分析 | 第135-136页 |
| 6.2.2 短波信道 | 第136-138页 |
| 6.2.3 特征提取 | 第138-145页 |
| 6.3 仿真分析 | 第145-150页 |
| 6.3.1 仿真参数 | 第145-146页 |
| 6.3.2 雷达脉内信号调制识别 | 第146-148页 |
| 6.3.3 时延特性对雷达信号调制体制识别的影响 | 第148-149页 |
| 6.3.4 多普勒效应对雷达信号调制体制识别的影响 | 第149-150页 |
| 6.4 本章小结 | 第150-151页 |
| 参考文献 | 第151-153页 |
| 第七章 总结与展望 | 第153-157页 |
| 7.1 论文研究的主要成果 | 第153-154页 |
| 7.2 需要进一步研究的问题 | 第154-157页 |
| 第八章 缩略语表 | 第157-159页 |
| 致谢 | 第159-161页 |
| 攻读学位期间发表的学术论文目录 | 第161页 |
