| 摘要 | 第1-5页 |
| Abstract | 第5-13页 |
| 第一章 绪论 | 第13-32页 |
| ·无线蜂窝的概念 | 第13-14页 |
| ·移动通信的发展和演变 | 第14-17页 |
| ·第三代无线通信系统中的抗干扰技术 | 第17-24页 |
| ·多用户检测 | 第18-19页 |
| ·功率控制 | 第19-22页 |
| ·智能天线 | 第22-24页 |
| ·基于机器学习的无线通信信号处理 | 第24-30页 |
| ·机器学习的理论背景 | 第24-26页 |
| ·基于机器学习算法的多用户检测 | 第26页 |
| ·基于机器学习算法的功率控制 | 第26-28页 |
| ·基于机器学习的智能天线波达方向(DOA)估计问题 | 第28-30页 |
| ·本文的主要研究内容 | 第30-32页 |
| 第二章 机器学习方法 | 第32-52页 |
| ·机器学习问题的起源和发展 | 第32-37页 |
| ·Rosenblatt的感知器 | 第32-35页 |
| ·学习理论基础的创立 | 第35-36页 |
| ·神经网络 | 第36页 |
| ·神经网络的替代方法 | 第36-37页 |
| ·学习问题的表示 | 第37-39页 |
| ·函数估计模型 | 第37页 |
| ·风险最小化问题 | 第37页 |
| ·三种主要的学习问题 | 第37-38页 |
| ·经验风险最小化归纳原则 | 第38-39页 |
| ·支持向量机 | 第39-47页 |
| ·二分类SVM方法 | 第40-42页 |
| ·核函数 | 第42-43页 |
| ·多分类SVM方法 | 第43-45页 |
| ·模糊支持向量机(FSVM) | 第45-47页 |
| ·支持实时应用的快速SVM算法 | 第47-52页 |
| ·块算法和固定工作样本集的方法 | 第47-49页 |
| ·SMO算法 | 第49页 |
| ·LS-SVM算法 | 第49-51页 |
| ·OSVC算法 | 第51-52页 |
| 第三章 一种快速在线训练的支持向量分类算法(FOSVC) | 第52-60页 |
| ·FOSVC算法 | 第53页 |
| ·收敛性证明 | 第53-57页 |
| ·仿真结果 | 第57-59页 |
| ·Iris和Image segmentation数据集的分类 | 第57-58页 |
| ·仿真结果分析 | 第58-59页 |
| ·小结 | 第59-60页 |
| 第四章 多用户检测技术 | 第60-78页 |
| ·多用户检测技术概述 | 第60-66页 |
| ·传统单用户检测技术分析 | 第60-63页 |
| ·多用户检测技术的基本概念 | 第63-66页 |
| ·线性多用户检测器 | 第66-69页 |
| ·最佳多用户检测器(OMUD) | 第66-67页 |
| ·解相关多用户检测 | 第67-68页 |
| ·最小均方误差多用户检测器 | 第68-69页 |
| ·非线性多用户检测器 | 第69-71页 |
| ·解相关判决反馈多用户检测 | 第70页 |
| ·多级检测 | 第70页 |
| ·连续干扰消除的多用户检测 | 第70页 |
| ·基于神经网络的多用户检测 | 第70页 |
| ·基于系统辨识的多用户检测 | 第70-71页 |
| ·基于机器学习的多用户检测算法 | 第71-77页 |
| ·系统模型 | 第71-72页 |
| ·基于FOSVC的多用户检测算法 | 第72-73页 |
| ·仿真结果 | 第73-77页 |
| ·小结 | 第77-78页 |
| 第五章 功率控制 | 第78-98页 |
| ·功率控制技术概述 | 第78-84页 |
| ·功率控制的目标 | 第78-79页 |
| ·功率控制的准则 | 第79页 |
| ·功率控制的分类 | 第79-83页 |
| ·影响功率控制的主要因素 | 第83-84页 |
| ·功率控制方法及模型 | 第84-92页 |
| ·功率控制模型 | 第84-89页 |
| ·功率控制方法 | 第89-92页 |
| ·基于机器学习的功率控制算法 | 第92-96页 |
| ·系统模型 | 第92-93页 |
| ·基于FOSVC的变步长功率控制算法 | 第93-95页 |
| ·仿真结果 | 第95-96页 |
| ·小结 | 第96-98页 |
| 第六章 智能天线技术和波达方向(DOA)估计算法 | 第98-126页 |
| ·自适应天线阵列的工作原理 | 第98-103页 |
| ·自适应天线阵列的信号模型 | 第99-101页 |
| ·自适应天线阵列的最佳权向量 | 第101-103页 |
| ·波达方向估计算法 | 第103-113页 |
| ·DOA估计的传统法 | 第103-105页 |
| ·DOA估计的子空间法 | 第105-111页 |
| ·DOA估计的最大似然法 | 第111-113页 |
| ·基于机器学习的DOA估计算法 | 第113-124页 |
| ·DOA估计的信号模型和SVM模型 | 第114-116页 |
| ·基于FMSVM的DOA估计算法 | 第116-117页 |
| ·基于FOSVC和DAGSVM的DOA估计算法 | 第117-120页 |
| ·仿真结果 | 第120-124页 |
| ·小结 | 第124-126页 |
| 第七章 总结与展望 | 第126-129页 |
| ·本文的主要贡献 | 第126-127页 |
| ·进一步的研究工作 | 第127-129页 |
| 参考文献 | 第129-139页 |
| 致谢 | 第139-140页 |
| 攻读博士学位期间的研究成果 | 第140-141页 |
