| 摘要 | 第4-7页 |
| ABSTRACT | 第7-10页 |
| 符号说明 | 第14-16页 |
| 第一章 绪论 | 第16-35页 |
| 1.1 基于对抗模式的认知无线电研究背景 | 第16-23页 |
| 1.1.1 电子信息战是战争的组要组成部分 | 第16-17页 |
| 1.1.2 复杂的电磁频谱特性与电磁环境 | 第17-20页 |
| 1.1.3 民用频谱资源的稀缺与对军用无线通信的影响 | 第20-21页 |
| 1.1.4 认知无线电技术的快速发展 | 第21-23页 |
| 1.2 认知无线电在军事通信领域的应用及其优势 | 第23-25页 |
| 1.2.1 认知无线电在军事通信领域的应用 | 第23-24页 |
| 1.2.2 认知无线电军事应用的优势 | 第24-25页 |
| 1.3 认知无线电在军事通信领域的发展现状 | 第25-27页 |
| 1.4 认知无线电的关键技术 | 第27-30页 |
| 1.4.1 军用认知无线电关键技术 | 第27-29页 |
| 1.4.2 基于认知的干扰对抗策略 | 第29-30页 |
| 1.5 论文选题意义及针对性 | 第30-32页 |
| 1.6 研究内容与章节安排 | 第32-35页 |
| 第二章 认知无线电单节点频谱感知算法研究 | 第35-52页 |
| 2.1 认知无线电频谱感知技术概述 | 第35-39页 |
| 2.1.1 频谱感知技术分类及对比 | 第35-38页 |
| 2.1.2 频谱感知技术性能指标 | 第38页 |
| 2.1.3 频谱感知面临的挑战 | 第38-39页 |
| 2.2 基于干扰特征估计的频谱感知 | 第39-43页 |
| 2.2.1 干扰评估感知方案 | 第39-40页 |
| 2.2.2 基于干扰估计感知的模块与功能 | 第40-43页 |
| 2.3 基于自适应双门限的能量感知 | 第43-45页 |
| 2.3.1 算法分析 | 第43-44页 |
| 2.3.2 自适应双门限设置 | 第44-45页 |
| 2.4 基于小波变换的频谱感知 | 第45-48页 |
| 2.4.1 小波变换 | 第45-47页 |
| 2.4.2 小波去噪感知 | 第47-48页 |
| 2.5 基于能量和小波变换的自适应双门限联合频谱感知 | 第48-50页 |
| 2.5.1 自适应双门限联合频谱感知 | 第48-49页 |
| 2.5.2 双门限联合感知性能分析 | 第49页 |
| 2.5.3 双门限联合感知算法流程 | 第49-50页 |
| 2.6 仿真与分析 | 第50-51页 |
| 2.7 本章小结 | 第51-52页 |
| 第三章 认知无线电多用户协作频谱感知 | 第52-83页 |
| 3.1 协作频谱感知的组成要素 | 第53-55页 |
| 3.2 协作频谱感知方式 | 第55-60页 |
| 3.2.1 集中式协作频谱感知 | 第57-58页 |
| 3.2.2 分布式协作频谱感知 | 第58-59页 |
| 3.2.3 中继协助式协作频谱感知 | 第59-60页 |
| 3.3 协作感知融合准则 | 第60-65页 |
| 3.3.1 硬合并融合准则 | 第61-62页 |
| 3.3.2 软合并融合准则 | 第62-63页 |
| 3.3.3 量化合并融合准则 | 第63-65页 |
| 3.4 认知无线电自适应协作频谱感知 | 第65-68页 |
| 3.4.1 多用户协作频谱感知系统模型 | 第66页 |
| 3.4.2 协作频谱感知数学模型 | 第66-67页 |
| 3.4.3 自适应多用户协作感知 | 第67-68页 |
| 3.5 协作感知本地算法 | 第68-70页 |
| 3.5.1 双门限能量检测 | 第68-69页 |
| 3.5.2 循环平稳特征检测 | 第69-70页 |
| 3.6 协作感知系统性能分析及融合准则 | 第70-71页 |
| 3.6.1 协作感知性能分析 | 第70页 |
| 3.6.2 协作感知融合准则 | 第70-71页 |
| 3.7 仿真分析 | 第71-74页 |
| 3.8 认知无线电系统分组协作感知机制 | 第74-78页 |
| 3.8.1 认知系统分组协作感知机制 | 第74-75页 |
| 3.8.2 分组协作感知关键技术 | 第75-76页 |
| 3.8.3 认知用户的分组选择和挑战 | 第76-78页 |
| 3.9 认知无线电多天线的协作频谱感知 | 第78-82页 |
| 3.9.1 多天线协作宽带频谱感知 | 第79-81页 |
| 3.9.2 多天线宽带频谱感知判决准则 | 第81-82页 |
| 3.10 本章小结 | 第82-83页 |
| 第四章 基于频谱预测的认知无线电频谱接入 | 第83-103页 |
| 4.1 基于机器学习的频谱预测 | 第83-85页 |
| 4.1.1 传统频谱预测方法 | 第83-84页 |
| 4.1.2 人工神经网络简介 | 第84-85页 |
| 4.2 频谱预测感知及接入机制 | 第85-86页 |
| 4.2.1 频谱预测问题模型 | 第85-86页 |
| 4.2.2 基于频谱预测的信道状态判决机制 | 第86页 |
| 4.3 频谱感知系统模型 | 第86-89页 |
| 4.3.1 信号检测模型 | 第86-87页 |
| 4.3.2 自适应能量检测 | 第87-88页 |
| 4.3.3 自适应判决门限 | 第88-89页 |
| 4.4 BP神经网络(BPNN)频谱预测模型设计 | 第89-93页 |
| 4.4.1 BP-NN结构模型 | 第89-92页 |
| 4.4.2 BP-NN权值和阈值调整 | 第92-93页 |
| 4.5 遗传算法优化频谱预测模型(GA-BPNN) | 第93-96页 |
| 4.5.1 遗传算法实现 | 第93-94页 |
| 4.5.2 遗传算法优化BP神经网络频谱预测模型 | 第94-95页 |
| 4.5.3 信道状态预测判决准则 | 第95-96页 |
| 4.6 性能分析 | 第96-97页 |
| 4.6.1 频谱预测性能分析 | 第96页 |
| 4.6.2 频谱预测感知能耗改善 | 第96-97页 |
| 4.7 仿真分析 | 第97-102页 |
| 4.7.1 信道状态模型建模 | 第97-98页 |
| 4.7.2 频谱预测模型仿真 | 第98-100页 |
| 4.7.3 基于频谱预测结果的仿真 | 第100-102页 |
| 4.8 本章小结 | 第102-103页 |
| 第五章 总结与展望 | 第103-106页 |
| 5.1 总结 | 第103-104页 |
| 5.2 展望 | 第104-106页 |
| 参考文献 | 第106-115页 |
| 附录 图索引 | 第115-117页 |
| 致谢 | 第117-118页 |
| 攻读博士期间发表的学术论文 | 第118页 |
