| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题研究的背景及意义 | 第8页 |
| 1.2 MPSK 信号的国内外研究现状 | 第8-11页 |
| 1.3 本论文结构安排 | 第11-13页 |
| 2 数字调相信号及其处理 | 第13-21页 |
| 2.1 数字调相信号的调制及仿真 | 第13-16页 |
| 2.1.1 数字调相信号 | 第13-14页 |
| 2.1.2 数字调相信号的仿真 | 第14-16页 |
| 2.2 数字信号处理的基础 | 第16-18页 |
| 2.2.1 瞬时特性 | 第16-17页 |
| 2.2.2 非线性相位分量的研究 | 第17-18页 |
| 2.3 数字调相信号的处理 | 第18-20页 |
| 2.3.1 零均值归一化 | 第18页 |
| 2.3.2 包络归一化 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 基于高阶累积量的调相信号识别 | 第21-36页 |
| 3.1 调制识别的流程 | 第21-22页 |
| 3.2 高阶累积量的基本理论 | 第22-26页 |
| 3.2.1 随机过程的高阶累积量 | 第22-23页 |
| 3.2.2 数字信号的高阶累积量 | 第23-26页 |
| 3.3 基于高阶累积量的 MPSK 识别 | 第26-27页 |
| 3.4 改进的连续降阶识别算法 | 第27-30页 |
| 3.5 计算机仿真分析及算法比较 | 第30-35页 |
| 3.5.1 计算机算法仿真分析 | 第30-33页 |
| 3.5.2 算法比较 | 第33-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 基于支持向量机的调相识别 | 第36-52页 |
| 4.1 统计学习理论 | 第36-39页 |
| 4.1.1 VC 维理论 | 第36页 |
| 4.1.2 结构风险最小化 | 第36-39页 |
| 4.2 支持向量机分类原理 | 第39-44页 |
| 4.2.1 线性可分 SVM | 第39-42页 |
| 4.2.2 线性不可分 SVM | 第42-44页 |
| 4.3 支持向量机的多分类问题 | 第44-47页 |
| 4.4 二叉树支持向量机 | 第47-49页 |
| 4.5 基于 SVM 的调制识别 | 第49-51页 |
| 4.5.1 libsvm 软件包 | 第49-50页 |
| 4.5.2 支持向量机的仿真及分析 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 5 识别算法的 DSP 实现 | 第52-61页 |
| 5.1 DSP 技术 | 第52页 |
| 5.2 DSP 识别系统的整体框架 | 第52-53页 |
| 5.3 DSP 识别系统的硬件模块 | 第53-57页 |
| 5.3.1 SEED-DEC6416 主要技术指标 | 第53-54页 |
| 5.3.2 TMS320C6416 概述 | 第54-55页 |
| 5.3.3 数字接收机模拟 | 第55页 |
| 5.3.4 电源系统设计 | 第55页 |
| 5.3.5 JTAG 接口电路 | 第55-56页 |
| 5.3.6 片内存储器结构 | 第56-57页 |
| 5.4 识别系统的软件设计 | 第57-59页 |
| 5.4.1 信号的产生 | 第57页 |
| 5.4.2 DSP 软件开发流程 | 第57-58页 |
| 5.4.3 识别系统的软件设计 | 第58-59页 |
| 5.5 本章小结 | 第59-61页 |
| 结论 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 攻读学位期间的研究成果 | 第65页 |