| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 主要研究内容和本文创新点 | 第12-13页 |
| 1.4 论文结构安排 | 第13-15页 |
| 第二章 数字信号调制识别方法 | 第15-28页 |
| 2.1 数字调制信号的数学模型 | 第15-16页 |
| 2.1.1 单调制信号 | 第15-16页 |
| 2.1.2 单通道混合调制信号 | 第16页 |
| 2.2 常见的分类特征及提取方法 | 第16-27页 |
| 2.2.1 瞬时特征 | 第17-19页 |
| 2.2.2 高次方傅里叶变换 | 第19-21页 |
| 2.2.3 小波变换 | 第21-23页 |
| 2.2.4 高阶累积量 | 第23-26页 |
| 2.2.5 混合双信号的循环频率特征 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 压缩感知理论基础 | 第28-35页 |
| 3.1 压缩感知基本理论 | 第28-32页 |
| 3.1.1 信号的稀疏表示 | 第28-29页 |
| 3.1.2 压缩测量 | 第29-30页 |
| 3.1.3 信号的恢复条件 | 第30-31页 |
| 3.1.4 重构算法 | 第31-32页 |
| 3.2 频域稀疏信号的压缩采样 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 基于高阶累积量压缩感知的调制识别 | 第35-48页 |
| 4.1 基于Nyquist采样的调制识别算法存在的问题分析 | 第35-37页 |
| 4.2 非重构压缩采样的高阶累积量调制识别算法 | 第37-43页 |
| 4.2.1 压缩域高阶累积量 | 第37-40页 |
| 4.2.2 基于压缩采样的识别特征恢复 | 第40-42页 |
| 4.2.3 CS-HOC调制识别方案框架 | 第42页 |
| 4.2.4 算法复杂度 | 第42-43页 |
| 4.3 仿真与分析 | 第43-46页 |
| 4.3.1 识别特征量恢复性能 | 第43-44页 |
| 4.3.2 压缩比对恢复性能的影响 | 第44页 |
| 4.3.3 不同信噪比下的识别性能 | 第44-46页 |
| 4.3.4 时间复杂度 | 第46页 |
| 4.4 本章小结 | 第46-48页 |
| 第五章 混合信号的调制识别 | 第48-57页 |
| 5.1 混合信号调制识别的问题分析 | 第48页 |
| 5.2 基于高阶累积量的特征参数提取 | 第48-51页 |
| 5.2.1 混合信号的高阶累积量 | 第48-50页 |
| 5.2.2 特征参数的提取 | 第50-51页 |
| 5.3 基于压缩采样的混合信号调制识别算法 | 第51-54页 |
| 5.3.1 SVM分类器设计 | 第51-53页 |
| 5.3.2 基于压缩采样的特征参数提取 | 第53页 |
| 5.3.3 基于SVM的混合信号分类流程 | 第53-54页 |
| 5.4 仿真与分析 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 1. 全文总结 | 第57-58页 |
| 2. 工作展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-66页 |
| 攻读硕士期间的学术成果 | 第66页 |