| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-19页 |
| ·模式识别中的数字通信信号自动调制识别的应用前景 | 第11-12页 |
| ·自动调制识别的发展 | 第12-17页 |
| ·判决论方法的发展 | 第13-14页 |
| ·统计模式识别方法的发展 | 第14-17页 |
| ·本文的主要工作 | 第17-19页 |
| 第2章 分类特征提取及决策树分类器设计 | 第19-31页 |
| ·瞬时特征提取与处理 | 第19-21页 |
| ·五个分类特征参数介绍 | 第21-22页 |
| ·五个分类特征参数的分类依据分析 | 第22-23页 |
| ·决策树分类器设计 | 第23-30页 |
| ·决策树的一般结构 | 第23-24页 |
| ·用于六种数字调制信号的决策树分类器设计 | 第24-26页 |
| ·决策树中各特征门限值的选取仿真 | 第26-29页 |
| ·决策树分类器仿真结果 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 神经网络分类器设计 | 第31-44页 |
| ·神经网络模式识别方法和特点 | 第31-32页 |
| ·三层BP神经网络分类器 | 第32-37页 |
| ·BP神经网络结构分析 | 第32-33页 |
| ·BP算法研究 | 第33-37页 |
| ·BP仿真实验 | 第37-43页 |
| ·神经元个数选取仿真分析 | 第38-40页 |
| ·训练样本数对识别结果影响的仿真分析 | 第40-42页 |
| ·神经网络分类器的局部极值问题研究分析 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 支持向量机分类器设计 | 第44-65页 |
| ·支持向量机理论基础 | 第44-50页 |
| ·机器学习问题的数学模型 | 第44-45页 |
| ·经验风险最小化 | 第45页 |
| ·VC维概念 | 第45-46页 |
| ·结构风险最小化原理 | 第46-48页 |
| ·核函数 | 第48-50页 |
| ·二分类支持向量机原理分析 | 第50-55页 |
| ·线性最优分类超平面 | 第50-51页 |
| ·线性支持向量机推导 | 第51-54页 |
| ·非线性支持向量机 | 第54-55页 |
| ·多分类支持向量机算法研究 | 第55-59页 |
| ·一对多多分类算法研究 | 第56-57页 |
| ·一对一多分类算法研究 | 第57-58页 |
| ·决策有向无循环图多分类算法研究 | 第58-59页 |
| ·支持向量机分类器对数字通信信号的分类仿真实验 | 第59-64页 |
| ·样本数对支持向量机多分类算法识别结果影响的仿真分析 | 第59-62页 |
| ·支持向量机多分类算法训练和测试时间仿真分析 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 数字通信信号自动调制识别分类器的DSP实现 | 第65-71页 |
| ·调制信号产生 | 第65页 |
| ·提取分类特征参数 | 第65-66页 |
| ·离线训练及在线识别 | 第66-67页 |
| ·硬件介绍 | 第67-69页 |
| ·硬件DSP实时识别结果 | 第69-70页 |
| ·本章小结 | 第70-71页 |
| 结论与未来的工作 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间发表的论文情况 | 第78-79页 |