| 第一章 绪论 | 第1-24页 |
| 1．1 混沌概述 | 第15-17页 |
| 1．2 混沌时间序列预测概述 | 第17-19页 |
| 1．3 通信信号调制识别概述 | 第19-20页 |
| 1．4 本文的主要工作和章节安排 | 第20-24页 |
| 第二章 混沌时间序列的动力学特征提取 | 第24-34页 |
| 2．1 引言 | 第24页 |
| 2．2 重构窗口的选择 | 第24-26页 |
| 2．3 最大李雅普诺夫指数的计算 | 第26-28页 |
| 2．4 相关维数 | 第28-29页 |
| 2．5 跳频码的动力学特性参数提取 | 第29-33页 |
| 2．6 小结 | 第33-34页 |
| 第三章 Volterra自适应预测 | 第34-64页 |
| 3．1 引言 | 第34-35页 |
| 3．2 二阶Volterra自适应预测滤波器 | 第35-48页 |
| 3．2．1 非线性动力系统与时间序列建模 | 第35-36页 |
| 3．2．2 Volterra自适应预测滤波器 | 第36-37页 |
| 3．2．3 二阶Volterra自适应预测滤波器的性能实验及讨论 | 第37-48页 |
| 3．3 高阶Volterra自适应滤波预测器 | 第48-54页 |
| 3．4 Volterra自适应滤波器的最优输入维数 | 第54-60页 |
| 3．4．1 Volterra自适应滤波器的定阶 | 第54-58页 |
| 3．4．2 Volterra自适应滤波器实验 | 第58-60页 |
| 3．5 Volterra自适应滤波器对几类跳频码的预测 | 第60-62页 |
| 3．6 小结 | 第62-64页 |
| 第四章 混沌时间序列的神经网络建模与预测研究 | 第64-80页 |
| 4．1 神经网络研究概况 | 第64-65页 |
| 4．2 混沌时间序列的神经网络建模 | 第65-73页 |
| 4．2．1 引言 | 第65-66页 |
| 4．2．2 BP网络的建模和预测研究 | 第66-69页 |
| 4．2．3 RBF神经网络建模与预测研究 | 第69-73页 |
| 4．3 用Hopfield网络实现快速预测 | 第73-77页 |
| 4．4 神经网络方法和Volterra自适应滤波预测方法对非线性跳频码预测性能比较研究 | 第77-79页 |
| 4．5 小结 | 第79-80页 |
| 第五章 通信信号的特征提取 | 第80-90页 |
| 5．1 引言 | 第80-81页 |
| 5．2 利用分形理论提取通信信号的分数维 | 第81-87页 |
| 5．3 利用复杂度理论对通信信号进行特征提取 | 第87-89页 |
| 5．4 小结 | 第89-90页 |
| 第六章 分类器 | 第90-97页 |
| 6．1 引言 | 第90-92页 |
| 6．2 基于模糊积分的组合分类器 | 第92-96页 |
| 6．2．1 模糊积分理论 | 第92-94页 |
| 6．2．2 模糊积分组合分类器 | 第94页 |
| 6．2．3 模拟结果 | 第94-96页 |
| 6．3 小结 | 第96-97页 |
| 第七章 全文总结 | 第97-99页 |
| 参考文献 | 第99-111页 |
| 致谢 | 第111-112页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第112-113页 |
