首页--工业技术论文--无线电电子学、电信技术论文--通信论文--通信理论论文--调制理论论文

基于深度学习的自动调制识别技术研究

摘要第3-4页
Abstract第4页
第一章 绪论第7-12页
    1.1 引言第7页
    1.2 国内外研究现状第7-10页
        1.2.1 基于决策理论的似然比假设检验方法第7-8页
        1.2.2 基于特征提取的统计模式识别方法第8-9页
        1.2.3 基于深度学习的调制识别算法第9-10页
    1.3 研究内容及论文结构安排第10-12页
第二章 深度神经网络基础第12-34页
    2.1 受限玻尔兹曼机第12-15页
    2.2 自动编码器第15-17页
    2.3 卷积神经网络第17-21页
    2.4 循环神经网络第21-25页
    2.5 深度神经网络模型优化第25-33页
        2.5.1 激活函数第25-27页
        2.5.2 代价函数及优化算法第27-31页
        2.5.3 超参数第31-33页
    2.6 本章小结第33-34页
第三章 基于深度学习的闭集调制识别算法第34-53页
    3.1 调制信号模型第34-40页
    3.2 基于CNN的调制识别算法第40-46页
        3.2.1 基于时域数据的基线CNN调制识别算法第40-41页
        3.2.2 卷积神经网络CNN超参数设置第41-43页
        3.2.3 基于SCC-CNN的调制识别算法第43-46页
    3.3 基于RNN的调制识别算法第46-52页
        3.3.1 基于幅相数据的LSTM调制识别算法第47页
        3.3.2 长短期记忆网络LSTM超参数设置第47-49页
        3.3.3 基于DC-LSTM的调制识别算法第49-52页
    3.4 本章小结第52-53页
第四章 基于深度学习统一表示的开集调制识别算法第53-67页
    4.1 深度神经网络参数及中间层特征分析第53-56页
    4.2 基于神经网络的鉴别特征学习第56-61页
    4.3 基于鉴别特征的开集调制识别算法第61-65页
    4.4 本章小结第65-67页
第五章 CNN调制识别网络压缩及硬件实现第67-74页
    5.1 深度神经网络结构压缩第67-70页
    5.2 深度神经网络FPGA平台第70-71页
    5.3 卷积调制识别网络的实现第71-73页
    5.4 本章小结第73-74页
第六章 总结与展望第74-76页
    6.1 论文主要工作及创新第74页
    6.2 工作展望第74-76页
致谢第76-77页
参考文献第77-83页
附录A 作者简历第83-84页
附录B 攻读硕士研究生期间发表的学术论文情况第84页

论文共84页,点击 下载论文
上一篇:四角针状氧化锌晶须提高交流场致发光器件光强的研究
下一篇:MOCVD生长炉腔内热部件的设计优化