基于支持向量机的OFDM信号识别技术研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·论文的选题背景及研究意义 | 第7-9页 |
| ·研究背景 | 第7-8页 |
| ·调制信号识别的发展 | 第8-9页 |
| ·支持向量机的研究现状 | 第9-11页 |
| ·调制识别分类器 | 第9-10页 |
| ·支持向量机的研究现状 | 第10-11页 |
| ·OFDM信号识别现状 | 第11-12页 |
| ·本文所研究的主要内容及结构安排 | 第12-13页 |
| 第二章 统计学习理论及支持向量机 | 第13-27页 |
| ·机器学习和统计学习理论 | 第14-16页 |
| ·机器学习问题的基本模型 | 第14-15页 |
| ·经验风险最小化 | 第15-16页 |
| ·复杂性与推广性能 | 第16页 |
| ·统计学习理论 | 第16-20页 |
| ·统计学习理论的核心内容 | 第16-17页 |
| ·经验风险最小化原则下统计学习过程一致性的条件 | 第17-18页 |
| ·VC维 | 第18-19页 |
| ·推广性的界 | 第19页 |
| ·结构风险最小化原则 | 第19-20页 |
| ·支持向量机 | 第20-26页 |
| ·线性支持向量机的建立 | 第21-24页 |
| ·高维特征空间中的最优分类面 | 第24-25页 |
| ·SVM是如何实现SRM原则的 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于支持向量机的OFDM信号识别算法 | 第27-45页 |
| ·引言 | 第27-28页 |
| ·问题模型 | 第28-29页 |
| ·OFDM的基本原理 | 第29-32页 |
| ·OFDM机理 | 第30-31页 |
| ·OFDM系统组成 | 第31-32页 |
| ·基于高阶累积量特征的SVM调制识别算法 | 第32-38页 |
| ·高阶累积量的特征提取 | 第32页 |
| ·OFDM信号的渐进高斯特性推导 | 第32-34页 |
| ·仿真和性能分析 | 第34-38页 |
| ·基于小波分解的SVM的调制识别算法 | 第38-44页 |
| ·小波分析原理及多分辨率分析 | 第38-41页 |
| ·仿真和性能分析 | 第41-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 一种新型的基于SVM的调制信号识别方法 | 第45-53页 |
| ·基于禁忌搜索的SVM | 第46-49页 |
| ·无条件约束的最优分类超平面的推导 | 第46-48页 |
| ·禁忌搜索算法(Tabu Search，TS) | 第48页 |
| ·禁忌搜索中的一些概念 | 第48-49页 |
| ·基于禁忌搜索算法的SVM的具体实现 | 第49-50页 |
| ·算法流程 | 第49页 |
| ·具体实现 | 第49-50页 |
| ·实验结果分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 总结及展望 | 第53-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 研究成果 | 第61-62页 |
