| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.2 国内外的研究现状 | 第9-13页 |
| 1.2.1 通信信号调制模式识别研究现状 | 第9-11页 |
| 1.2.2 特征提取与选择研究现状 | 第11-12页 |
| 1.2.3 分类器研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 第2章 数字通信信号调制识别理论基础 | 第14-27页 |
| 2.1 常用的数字调制方式分析 | 第14-16页 |
| 2.1.1 幅度键控（ASK） | 第15页 |
| 2.1.2 频移键控（FSK） | 第15页 |
| 2.1.3 相移键控（PSK） | 第15-16页 |
| 2.1.4 正交幅度调制（QAM） | 第16页 |
| 2.2 支持向量机（SVM） | 第16-19页 |
| 2.2.1 有监督学习与无监督学习 | 第17页 |
| 2.2.2 支持向量机的基本原理 | 第17-19页 |
| 2.3 深度学习神经网络 | 第19-24页 |
| 2.3.1 受限玻尔兹曼机（RBM） | 第20-22页 |
| 2.3.2 深度置信网络（DBN） | 第22-23页 |
| 2.3.3 深度学习的基本思想及训练过程 | 第23-24页 |
| 2.4 调制识别的分类方法研究 | 第24-26页 |
| 2.4.1 基于模式识别的调制分类方法 | 第24-26页 |
| 2.4.2 最大似然比调制分类法 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于噪声鲁棒性的多体制通信信号特征提取及筛选 | 第27-45页 |
| 3.1 多体制通信信号特征提取 | 第28-39页 |
| 3.1.1 瞬时信息特征 | 第28-31页 |
| 3.1.2 统计量特征 | 第31-35页 |
| 3.1.3 变换域特征 | 第35-39页 |
| 3.2 DBN网络训练 | 第39-41页 |
| 3.2.1 DBN下的Gibbs采样 | 第39-40页 |
| 3.2.2 基于对比散度的RBM快速学习算法 | 第40-41页 |
| 3.3 应用DBN进行特征筛选 | 第41-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 具有噪声鲁棒性的通信信号分类算法研究 | 第45-55页 |
| 4.1 支持向量机分类器 | 第45-47页 |
| 4.1.1 SVM对非线性问题的分类 | 第45-46页 |
| 4.1.2 多分类问题 | 第46-47页 |
| 4.2 仿真实验及结果分析 | 第47-54页 |
| 4.2.1 仿真实验 | 第47-48页 |
| 4.2.2 实验仿真与结果分析 | 第48-54页 |
| 4.3 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-62页 |
| 致谢 | 第62页 |