| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号说明 | 第19-21页 |
| 第一章 绪论 | 第21-35页 |
| 1.1 研究背景 | 第21-28页 |
| 1.1.1 微弱信号的预处理技术研究 | 第23-24页 |
| 1.1.2 小数据样本下的微弱信号精细识别技术研究 | 第24-26页 |
| 1.1.3 大数据样本下的微弱信号精细识别技术研究 | 第26-27页 |
| 1.1.4 非合作模式下微弱混合信号分离和识别方法研究 | 第27-28页 |
| 1.2 主要研究内容和贡献 | 第28-31页 |
| 1.2.1 现有技术存在的问题 | 第28-30页 |
| 1.2.2 解决方法 | 第30-31页 |
| 1.3 论文组织结构 | 第31-33页 |
| 1.4 论文各章节研究内容之间的关联关系 | 第33-35页 |
| 第二章 微弱信号的预处理技术研究 | 第35-59页 |
| 2.1 引言 | 第35-37页 |
| 2.2 系统模型 | 第37-38页 |
| 2.3 基于聚类的频率偏移估计方法 | 第38-44页 |
| 2.3.1 频率偏移估计方法概述 | 第38-39页 |
| 2.3.2 聚类概述 | 第39-40页 |
| 2.3.3 基于聚类的频率偏移纠正方法 | 第40-44页 |
| 2.4 基于聚类的调制方式识别 | 第44-50页 |
| 2.4.1 调制方式识别方法概述 | 第44-46页 |
| 2.4.2 基于聚类的调制方式识别方法 | 第46-50页 |
| 2.5 仿真与分析 | 第50-58页 |
| 2.5.1 基于聚类的频率偏移估计方法 | 第50-54页 |
| 2.5.2 基于聚类的调制方式识别 | 第54-58页 |
| 2.6 本章小结 | 第58-59页 |
| 第三章 小数据样本下的微弱信号精细识别技术研究 | 第59-93页 |
| 3.1 引言 | 第59-61页 |
| 3.2 系统模型 | 第61-63页 |
| 3.2.1 非合作模式下微弱信号收发模型 | 第61-62页 |
| 3.2.2 特征提取 | 第62-63页 |
| 3.3 FBCDDL算法 | 第63-73页 |
| 3.3.1 FBCDDL优化目标的标量化 | 第63-65页 |
| 3.3.2 FBCDDL优化问题约束的引入 | 第65页 |
| 3.3.3 FBCDDL优化问题的确定 | 第65-67页 |
| 3.3.4 FBCDDL训练阶段 | 第67-72页 |
| 3.3.5 FBCDDL识别阶段 | 第72-73页 |
| 3.4 FBCDDL的收敛性研究 | 第73-77页 |
| 3.4.1 FBCDDL的收敛性证明 | 第73-76页 |
| 3.4.2 FBCDDL的收敛速度 | 第76-77页 |
| 3.5 算法复杂度分析 | 第77-81页 |
| 3.5.1 FBCDDL的算法复杂度 | 第77-78页 |
| 3.5.2 BPG的算法复杂度 | 第78-79页 |
| 3.5.3 SGK的算法复杂度 | 第79页 |
| 3.5.4 K-SVD的算法复杂度 | 第79页 |
| 3.5.5 支持向量机的算法复杂度 | 第79-80页 |
| 3.5.6 基于高阶累积量的算法复杂度 | 第80页 |
| 3.5.7 广义似然比函数的复杂度 | 第80页 |
| 3.5.8 GP-KNN的算法复杂度 | 第80-81页 |
| 3.5.9 各种算法复杂度总结 | 第81页 |
| 3.6 仿真与分析 | 第81-92页 |
| 3.6.1 对噪声的稳定性 | 第82-86页 |
| 3.6.2 对频率偏移的稳定性 | 第86-87页 |
| 3.6.3 对相位频移的稳定性 | 第87-90页 |
| 3.6.4 算法收敛性 | 第90-91页 |
| 3.6.5 运行时间 | 第91-92页 |
| 3.7 本章小结 | 第92-93页 |
| 第四章 大数据样本下的微弱信号精细识别技术研究 | 第93-123页 |
| 4.1 引言 | 第93-97页 |
| 4.1.1 微弱信号循环平稳特征概述 | 第93-95页 |
| 4.1.2 卷积神经网络概述 | 第95-97页 |
| 4.2 系统模型 | 第97-102页 |
| 4.2.1 微弱信号循环平稳特征模型 | 第97-100页 |
| 4.2.2 卷积神经网络系统模型 | 第100-102页 |
| 4.3 基于卷积神经网络的微弱信号识别方法 | 第102-111页 |
| 4.3.1 训练阶段 | 第103-110页 |
| 4.3.2 识别阶段 | 第110-111页 |
| 4.4 仿真与分析 | 第111-121页 |
| 4.4.1 平滑化的效果 | 第112-113页 |
| 4.4.2 图片叠加的效果 | 第113-114页 |
| 4.4.3 噪声对识别效果的影响 | 第114-119页 |
| 4.4.4 数据量对识别效果的影响 | 第119-121页 |
| 4.5 本章小结 | 第121-123页 |
| 第五章 非合作模式下微弱混合信号分离和识别方法研究 | 第123-153页 |
| 5.1 引言 | 第123-124页 |
| 5.2 系统模型 | 第124-125页 |
| 5.3 PIC算法 | 第125-134页 |
| 5.3.1 主成分分析 | 第126-129页 |
| 5.3.2 独立分量分析 | 第129-133页 |
| 5.3.3 识别方法 | 第133-134页 |
| 5.4 仿真与分析 | 第134-151页 |
| 5.4.1 主成分分析对分类效果的影响 | 第136-139页 |
| 5.4.2 独立分量分析对分类效果的影响 | 第139-145页 |
| 5.4.3 PIC算法分类效果 | 第145-149页 |
| 5.4.4 混合信号比例对识别效果的影响 | 第149-151页 |
| 5.5 本章小结 | 第151-153页 |
| 第六章 总结和展望 | 第153-157页 |
| 6.1 总结 | 第153-154页 |
| 6.1.1 微弱信号的预处理技术研究 | 第153页 |
| 6.1.2 小数据样本下的微弱信号精细识别技术研究 | 第153-154页 |
| 6.1.3 大数据样本下的微弱信号精细识别技术研究 | 第154页 |
| 6.1.4 非合作模式下微弱混合信号分离和识别方法研究 | 第154页 |
| 6.2 展望 | 第154-157页 |
| 6.2.1 微弱信号的预处理技术研究 | 第155页 |
| 6.2.2 小数据样本下的微弱信号精细识别技术研究 | 第155页 |
| 6.2.3 大数据样本下的微弱信号精细识别技术研究 | 第155-156页 |
| 6.2.4 非合作模式下微弱混合信号分离和识别方法研究 | 第156-157页 |
| 参考文献 | 第157-193页 |
| 附录A 缩略词列表 | 第193-195页 |
| 附录B 非合作模式下基于似然的调制方式识别方法 | 第195-199页 |
| B.1 平均似然比检验法 | 第195-196页 |
| B.2 广义似然比检验法 | 第196页 |
| B.3 混合似然比检验法 | 第196-199页 |
| 附录C 非合作模式下微弱信号识别常用的特征 | 第199-203页 |
| C.1 基于统计量的特征 | 第199-201页 |
| C.1.1 功率谱密度的最大值 | 第199页 |
| C.1.2 基于相位的特征 | 第199页 |
| C.1.3 基于循环谱的特征 | 第199-200页 |
| C.1.4 基于高阶累积量和高阶谱的特征 | 第200-201页 |
| C.2 基于变换域的特征 | 第201-203页 |
| C.2.1 脉冲量形状 | 第201页 |
| C.2.2 小波变换 | 第201-203页 |
| 致谢 | 第203-205页 |
| 攻读博士期间发表的学术论文和专利 | 第205-206页 |
