| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景和意义 | 第16页 |
| 1.2 调制方式识别的发展 | 第16-22页 |
| 1.2.1 最大似然信号识别方法发展过程 | 第17-19页 |
| 1.2.2 统计模式信号识别方法发展过程 | 第19-22页 |
| 1.3 深度学习的引入 | 第22页 |
| 1.4 本文的主要工作和内容安排 | 第22-24页 |
| 第二章 信号调制模式和深度学习基本理论 | 第24-40页 |
| 2.1 数字调制的原理 | 第24-28页 |
| 2.1.1 MASK信号 | 第25页 |
| 2.1.2 MPSK信号 | 第25-26页 |
| 2.1.3 MFSK信号 | 第26-27页 |
| 2.1.4 MQAM信号 | 第27-28页 |
| 2.2 参数估计理论 | 第28-31页 |
| 2.2.1 载波频率的估计 | 第28-30页 |
| 2.2.2 带宽估计 | 第30页 |
| 2.2.3 符号率估计 | 第30-31页 |
| 2.3 深度学习理论基础 | 第31-39页 |
| 2.3.1 深度学习基本原理 | 第31-32页 |
| 2.3.2 深度置信网络 | 第32-34页 |
| 2.3.3 卷积神经网络 | 第34-37页 |
| 2.3.4 softmax回归模型 | 第37-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第三章 基于GCP和DBN的调制方式识别方法 | 第40-58页 |
| 3.1 系统模型和信号模型 | 第40-44页 |
| 3.1.1 系统模型 | 第40-41页 |
| 3.1.2 信号模型 | 第41-42页 |
| 3.1.3 预处理模块 | 第42-44页 |
| 3.2 星座图投影算法 | 第44-46页 |
| 3.2.1 星座图投影算法的提出 | 第44页 |
| 3.2.2 星座图投影算法的具体实施步骤 | 第44-46页 |
| 3.3 深度置信网络 | 第46-52页 |
| 3.3.1 深度置信网络训练过程 | 第46-47页 |
| 3.3.2 限制玻尔兹曼机进行无监督特征学习 | 第47-50页 |
| 3.3.3 深度神经网络有监督分类训练 | 第50-52页 |
| 3.4 仿真结果分析 | 第52-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第四章 基于ASFPF和1D CNN的调制方式识别方法 | 第58-72页 |
| 4.1 信号的幅度谱特征 | 第58-61页 |
| 4.2 MPSK和MQAM信号的相位特征 | 第61-63页 |
| 4.3 卷积神经网络识别过程 | 第63-66页 |
| 4.3.1 卷积层 | 第63-64页 |
| 4.3.2 全连接层 | 第64-65页 |
| 4.3.3 输出层 | 第65-66页 |
| 4.4 识别步骤及仿真结果 | 第66-70页 |
| 4.4.1 系统识别流程 | 第66-67页 |
| 4.4.2 仿真结果 | 第67-70页 |
| 4.5 本章小结 | 第70-72页 |
| 第五章 基于CNN的调制方式识别方法 | 第72-84页 |
| 5.1 信号正交变换的基本理论 | 第72-74页 |
| 5.2 卷积神经网络 | 第74-75页 |
| 5.2.1 卷积神经网络的特点 | 第74-75页 |
| 5.2.2 dropout策略 | 第75页 |
| 5.3 卷积神经网络模型设计 | 第75-79页 |
| 5.3.1 网络结构 | 第75-76页 |
| 5.3.2 Conv1卷积层的设计 | 第76页 |
| 5.3.3 Conv2卷积层的设计 | 第76-77页 |
| 5.3.4 Conv3卷积层的设计 | 第77页 |
| 5.3.5 Conv4卷积层的设计 | 第77-78页 |
| 5.3.6 Fc1全连接层设计 | 第78页 |
| 5.3.7 Fc2全连接层设计 | 第78-79页 |
| 5.3.8 输出层设计 | 第79页 |
| 5.4 算法流程 | 第79-80页 |
| 5.5 实验仿真及分析 | 第80-82页 |
| 5.6 本章小结 | 第82-84页 |
| 第六章 回顾与展望 | 第84-86页 |
| 参考文献 | 第86-90页 |
| 致谢 | 第90-92页 |
| 作者简介 | 第92-93页 |