| 作者简介 | 第1-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-24页 |
| ·研究背景和意义 | 第10-11页 |
| ·研究现状和评述 | 第11-21页 |
| ·基于决策理论的最大似然假设检验方法 | 第13-15页 |
| ·基于特征提取的模式识别方法 | 第15-21页 |
| ·调制识别存在的问题 | 第21页 |
| ·本文的研究内容 | 第21-24页 |
| 第二章 基于粒子群和减法聚类提取特征的 QAM 信号识别方法 | 第24-40页 |
| ·引言 | 第24-25页 |
| ·信号模型 | 第25-26页 |
| ·载波频率估计 | 第26-28页 |
| ·粒子群算法和减法聚类算法理论 | 第28-31页 |
| ·粒子群优化算法 | 第28-30页 |
| ·减法聚类算法 | 第30-31页 |
| ·基于粒子群和减法聚类相结合的特征提取算法 | 第31-33页 |
| ·大样本下的识别算法 | 第33-36页 |
| ·识别算法描述 | 第33页 |
| ·仿真结果与分析 | 第33-36页 |
| ·小样本下的改进识别算法 | 第36-38页 |
| ·本章小结 | 第38-40页 |
| 第三章 QAM 信号的高阶累积量研究 | 第40-50页 |
| ·高阶统计量基本理论 | 第40-43页 |
| ·QAM 信号的高阶累积量分析 | 第43-44页 |
| ·QAM 信号四阶累积量估计的克拉美罗下限分析 | 第44-49页 |
| ·CRLB 理论推导 | 第44-46页 |
| ·仿真实验及分析 | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 Rayleigh 衰落信道下 QAM 信号的识别算法研究 | 第50-72页 |
| ·引言 | 第50页 |
| ·多径衰落效应 | 第50-53页 |
| ·基于高阶累积量的改进识别算法 | 第53-58页 |
| ·信号模型 | 第53-54页 |
| ·特征提取 | 第54-56页 |
| ·识别算法 | 第56页 |
| ·仿真实验 | 第56-58页 |
| ·基于分集技术的改进识别算法 | 第58-70页 |
| ·分集技术原理简述 | 第59-64页 |
| ·信号模型 | 第64页 |
| ·未知参数f_e和Φ_l的估计 | 第64-66页 |
| ·特征提取 | 第66-68页 |
| ·仿真结果与分析 | 第68-70页 |
| ·本章小结 | 第70-72页 |
| 第五章 多径信道下不同单载波调制信号的识别算法 | 第72-90页 |
| ·引言 | 第72页 |
| ·小波变换理论基础 | 第72-75页 |
| ·数字通信信号的循环平稳分析 | 第75-78页 |
| ·信号模型 | 第78页 |
| ·数字信号调制识别方法 | 第78-85页 |
| ·多径信道下接收信号的小波变换 | 第79-80页 |
| ·多径信道下接收信号的四阶循环累积量 | 第80-81页 |
| ·特征参数的提取与理论值的推导 | 第81-85页 |
| ·调制信号的识别算法 | 第85页 |
| ·仿真结果和分析 | 第85-89页 |
| ·本章小结 | 第89-90页 |
| 第六章 基于 PSO-SVM 混合算法的数字调制识别研究 | 第90-100页 |
| ·引言 | 第90页 |
| ·特征提取算法 | 第90-91页 |
| ·PSO-SVM 智能分类器 | 第91-95页 |
| ·支持向量机分类器 | 第91-94页 |
| ·基于 PSO 的 SVM 参数调整算法 | 第94-95页 |
| ·仿真结果和分析 | 第95-97页 |
| ·本章小结 | 第97-100页 |
| 第七章 全文总结 | 第100-102页 |
| 致谢 | 第102-104页 |
| 参考文献 | 第104-114页 |
| 攻读博士学位期间的研究成果 | 第114-116页 |
