| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-19页 |
| ·研究背景及意义 | 第11页 |
| ·国内外研究现状 | 第11-15页 |
| ·基于决策理论 | 第12-13页 |
| ·基于统计模式 | 第13-15页 |
| ·决策论方法与统计模式方法的比较 | 第15页 |
| ·统计模式信号调制识别的两种神经网络分类器 | 第15-17页 |
| ·本文主要内容 | 第17-19页 |
| 第2章 频带信号特征提取 | 第19-40页 |
| ·频带信号 | 第19-27页 |
| ·频带信号数学模型 | 第20页 |
| ·常用频带信号的仿真 | 第20-27页 |
| ·用于频带信号分类的时域特征提取 | 第27-39页 |
| ·瞬时参数提取基础 | 第27-31页 |
| ·Hilbert变换提取瞬时频率的局限性 | 第31-32页 |
| ·Hilbert—Huang变换提取瞬时参数 | 第32-35页 |
| ·构造信号调制模式分类的特征参数 | 第35-39页 |
| 小结 | 第39-40页 |
| 第3章 CCGA优化的ANN单信号调制模式识别 | 第40-66页 |
| ·神经网络简介 | 第40-42页 |
| ·神经网络理论依据 | 第41页 |
| ·神经网络用于模式识别的方法与特点 | 第41-42页 |
| ·BP神经网络单信号调制模式识别 | 第42-48页 |
| ·BP神经网络模型 | 第42页 |
| ·BP学习算法 | 第42-45页 |
| ·BP算法的改进 | 第45-46页 |
| ·BP神经网络识别仿真结果 | 第46-48页 |
| ·GA优化的ANN单信号调制模式识别 | 第48-56页 |
| ·遗传算法简介 | 第48-50页 |
| ·遗传算法优化神经网络的实现 | 第50-53页 |
| ·GA优化的神经网络识别仿真结果 | 第53-56页 |
| ·CCGA优化的ANN单信号调制模式识别 | 第56-65页 |
| ·CCGA基本原理 | 第56-58页 |
| ·CCGA的关键技术 | 第58-60页 |
| ·CCGA优化神经网络的实现 | 第60-63页 |
| ·CCGA优化的神经网络信号调制识别仿真结果 | 第63-65页 |
| 小结 | 第65-66页 |
| 第4章 CCGA优化的ANN同信道多信号调制模式识别 | 第66-79页 |
| ·基本概念 | 第66页 |
| ·同信道多信号的数据采集模型 | 第66-68页 |
| ·CCGA优化的ANN多信号调制模式识别 | 第68-78页 |
| ·基于时域滤波的多信号分离 | 第68-69页 |
| ·基于时域滤波的已分离信号调制识别仿真结果 | 第69-73页 |
| ·基于AR模型的已分离信号调制模式识别 | 第73-77页 |
| ·基于AR模型的已分离信号调制识别仿真结果 | 第77-78页 |
| 小结 | 第78-79页 |
| 结论 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 攻读硕士期间发表的论文情况 | 第85页 |