| 表目录 | 第1-8页 |
| 图目录 | 第8-9页 |
| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第11-18页 |
| ·研究背景及其意义 | 第11-12页 |
| ·人工神经网络概述 | 第12-13页 |
| ·调制识别发展简史和研究现状 | 第13-15页 |
| ·本文的主要研究内容 | 第15-18页 |
| ·工作内容简介 | 第15-16页 |
| ·本文的内容安排 | 第16-18页 |
| 第二章 基于星座聚类的调制识别 | 第18-33页 |
| ·聚类概述 | 第18页 |
| ·主要的聚类方法及算法 | 第18-20页 |
| ·模糊C-均值聚类算法 | 第20-21页 |
| ·FCM算法原理 | 第20-21页 |
| ·FCM算法存在的缺点 | 第21页 |
| ·EAFCM聚类算法 | 第21-26页 |
| ·减法聚类算法 | 第22-23页 |
| ·聚类有效性分析 | 第23-25页 |
| ·EAFCM聚类算法具体步骤 | 第25-26页 |
| ·基于星座聚类的通信信号调制识别算法 | 第26-28页 |
| ·PSK和QAM数字通信信号 | 第26-27页 |
| ·利用EAFCM算法重建接收信号星座图 | 第27-28页 |
| ·实验结果与分析 | 第28-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 基于RBF神经网络的调制识别 | 第33-45页 |
| ·引言 | 第33-34页 |
| ·RBF神经网络 | 第34-37页 |
| ·RBF神经网络概述 | 第34-35页 |
| ·RBF神经网络常用的学习算法 | 第35-36页 |
| ·RBF网络的特点及存在的问题 | 第36-37页 |
| ·优化的RBF网络学习模型建立 | 第37-42页 |
| ·泛化理论简介 | 第37页 |
| ·最优停止法 | 第37-39页 |
| ·优化的网络学习模型 | 第39-42页 |
| ·实验结果与分析 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 基于SOFM神经网络的调制识别 | 第45-58页 |
| ·引言 | 第45页 |
| ·SOFM神经网络 | 第45-49页 |
| ·SOFM神经网络概述 | 第45-46页 |
| ·SOFM神经网络工作原理 | 第46-48页 |
| ·SOFM网络参数说明及特性分析 | 第48-49页 |
| ·SOFM神经网络与LVQ算法的组合模型 | 第49-53页 |
| ·传统的SOFM网络模型缺点 | 第49页 |
| ·学习矢量量化(LVQ)算法 | 第49-51页 |
| ·改进的SOFM网络学习算法 | 第51-53页 |
| ·实验结果与分析 | 第53-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 遗传算法和神经网络集成相结合的调制识别研究 | 第58-73页 |
| ·引言 | 第58页 |
| ·神经网络集成(NNE)概述 | 第58-59页 |
| ·神经网络集成的实现方法 | 第59-62页 |
| ·结论生成方法分析 | 第60-61页 |
| ·个体生成方法分析 | 第61-62页 |
| ·遗传算法 | 第62-65页 |
| ·遗传算法简介 | 第62-63页 |
| ·标准遗传算法(SGA) | 第63-64页 |
| ·自适应遗传算法(AGA) | 第64-65页 |
| ·基于AGA算法的神经网络集成算法(AGANNE) | 第65-70页 |
| ·使用AGA算法选择特征 | 第65-69页 |
| ·AGANNE算法实现 | 第69-70页 |
| ·实验结果与分析 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 结束语 | 第73-76页 |
| 一、全文总结 | 第73-74页 |
| 二、下一步的研究工作与方向 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 附录A 调制识别系统程序界面 | 第80-81页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第81-82页 |
| 致谢 | 第82页 |