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 |
