基于深度学习的无线通信干扰信号识别与处理技术研究
| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 缩略语表 | 第14-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景与意义 | 第15页 |
| 1.2 研究现状 | 第15-19页 |
| 1.2.1 干扰识别算法 | 第15-18页 |
| 1.2.2 干扰抑制算法 | 第18页 |
| 1.2.3 研究现状总结 | 第18-19页 |
| 1.3 本文的研究内容和结构安排 | 第19-21页 |
| 1.3.1 研究内容 | 第19-20页 |
| 1.3.2 结构安排 | 第20-21页 |
| 第二章 智能抗干扰通信系统及典型干扰信号数学模型 | 第21-27页 |
| 2.1 智能抗干扰通信系统架构 | 第21-22页 |
| 2.2 干扰信号模型 | 第22-26页 |
| 2.2.1 单音干扰 | 第22页 |
| 2.2.2 多音干扰 | 第22-23页 |
| 2.2.3 部分频带噪声干扰 | 第23页 |
| 2.2.4 噪声调频干扰 | 第23-25页 |
| 2.2.5 线性扫频干扰 | 第25页 |
| 2.2.6 时域高斯脉冲干扰 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于深度学习的干扰信号识别 | 第27-53页 |
| 3.1 基于深度学习的干扰识别架构 | 第27-28页 |
| 3.2 卷积神经网络原理 | 第28-37页 |
| 3.2.1 实数卷积神经网络 | 第28-33页 |
| 3.2.2 复数卷积神经网络 | 第33-36页 |
| 3.2.3 实数和复数卷积神经网络参数量对比 | 第36页 |
| 3.2.4 残差网络 | 第36-37页 |
| 3.3 基于深度学习的干扰识别网络 | 第37-41页 |
| 3.3.1 预处理 | 第37页 |
| 3.3.2 网络输入与标签 | 第37-38页 |
| 3.3.3 干扰信号识别的CNN | 第38-39页 |
| 3.3.4 干扰信号识别的ResNet | 第39-41页 |
| 3.4 仿真结果与性能分析 | 第41-52页 |
| 3.4.1 不同输入的仿真结果 | 第42-47页 |
| 3.4.2 不同干扰识别网络结构对比 | 第47-49页 |
| 3.4.3 不同干扰识别网络的迁移性能 | 第49-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于深度学习的干扰信号抑制 | 第53-73页 |
| 4.1 基于深度学习的干扰抑制算法 | 第53-56页 |
| 4.1.1 干扰抑制算法处理流程 | 第53-54页 |
| 4.1.2 基于复数U-Net的干扰抑制网络 | 第54-56页 |
| 4.2 仿真结果与性能分析 | 第56-72页 |
| 4.2.1 时域干扰抑制性能 | 第57-60页 |
| 4.2.2 频域干扰抑制性能 | 第60-72页 |
| 4.3 本章小结 | 第72-73页 |
| 第五章 全文总结与展望 | 第73-75页 |
| 5.1 全文总结 | 第73-74页 |
| 5.2 后续工作展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间取得的成果 | 第80页 |
