| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 频谱感知方法研究现状 | 第9-17页 |
| 1.2.1 频谱感知系统模型 | 第9-10页 |
| 1.2.2 常见频谱感知方法 | 第10-16页 |
| 1.2.3 频谱感知方法比较 | 第16-17页 |
| 1.3 论文主要内容及结构安排 | 第17-18页 |
| 第二章 基于Hausdorff距离的盲频谱感知算法 | 第18-25页 |
| 2.1 基础理论 | 第18-20页 |
| 2.1.1 Hausdorff距离原理 | 第18-19页 |
| 2.1.2 随机矩阵理论 | 第19-20页 |
| 2.2 算法步骤及流程 | 第20-22页 |
| 2.3 仿真和讨论 | 第22-24页 |
| 2.4 本章总结 | 第24-25页 |
| 第三章 深度学习理论 | 第25-36页 |
| 3.1 深度学习的发展历程 | 第25-26页 |
| 3.2 人工神经网络 | 第26-29页 |
| 3.2.1 人工神经元 | 第26-27页 |
| 3.2.2 激活函数 | 第27-28页 |
| 3.2.3 梯度下降及反向传播算法 | 第28-29页 |
| 3.3 卷积神经网络 | 第29-32页 |
| 3.3.1 卷积层 | 第29-30页 |
| 3.3.2 下采样层 | 第30-31页 |
| 3.3.3 梯度计算 | 第31-32页 |
| 3.3.4 LeNet-5模型 | 第32页 |
| 3.4 CNN与人工神经网络性能对比 | 第32-33页 |
| 3.5 基于深度学习的频谱感知方法研究 | 第33-35页 |
| 3.6 本章总结 | 第35-36页 |
| 第四章 基于CNN的频谱感知方法研究 | 第36-46页 |
| 4.1 基于CNN频谱感知的系统模型 | 第36-37页 |
| 4.2 特征提取 | 第37-39页 |
| 4.3 卷积神经网络结构 | 第39-40页 |
| 4.4 实验研究与结果分析 | 第40-45页 |
| 4.4.1 卷积神经网络模型的建立 | 第40-42页 |
| 4.4.2 频谱感知性能对比 | 第42-45页 |
| 4.5 本章总结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 全文总结 | 第46-47页 |
| 5.2 研究展望 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 致谢 | 第50页 |