| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 全文概述 | 第15-21页 |
| 1.1 研究背景与价值 | 第15页 |
| 1.2 通信信号调制模式识别方法综述 | 第15-18页 |
| 1.2.1 基于贝叶斯决策理论的调制识别 | 第17-18页 |
| 1.2.2 基于机器学习技术的调制识别 | 第18页 |
| 1.3 本文的技术方案 | 第18-20页 |
| 1.4 本文的行文结构 | 第20-21页 |
| 第二章 神经网络理论基础 | 第21-36页 |
| 2.1 神经网络的普适近似性 | 第22页 |
| 2.2 神经网络的基本结构 | 第22-25页 |
| 2.2.1 全连接前馈网络结构 | 第23页 |
| 2.2.2 卷积网络结构 | 第23-24页 |
| 2.2.3 循环网络结构 | 第24-25页 |
| 2.3 激活函数及其特点 | 第25-28页 |
| 2.3.1 Sigmoid函数 | 第25-26页 |
| 2.3.2 Tanh函数 | 第26-27页 |
| 2.3.3 ReLU函数 | 第27-28页 |
| 2.3.4 Leaky_ReLU函数 | 第28页 |
| 2.3.5 P_ReLU函数 | 第28页 |
| 2.4 损失函数及其特点 | 第28-30页 |
| 2.4.1 分类任务的损失函数 | 第29页 |
| 2.4.2 回归任务的损失函数 | 第29-30页 |
| 2.5 神经网络的计算模式 | 第30-32页 |
| 2.5.1 信息的前向传导 | 第30-31页 |
| 2.5.2 误差的反向传播 | 第31-32页 |
| 2.6 神经网络正则化策略 | 第32-34页 |
| 2.7 神经网络的发展历史 | 第34-35页 |
| 2.8 本章小结 | 第35-36页 |
| 第三章 通信信号调制模式及特征抽取 | 第36-51页 |
| 3.1 通信信号的调制模式 | 第36-39页 |
| 3.1.1 BASK信号 | 第36-37页 |
| 3.1.2 BFSK信号 | 第37页 |
| 3.1.3 BPSK信号 | 第37-38页 |
| 3.1.4 4 ASK、4FSK和QPSK信号 | 第38-39页 |
| 3.1.5 16 QAM信号 | 第39页 |
| 3.2 通信信号的特征 | 第39-47页 |
| 3.2.1 信号的谱特征 | 第39-43页 |
| 3.2.2 信号的累积量特征 | 第43-47页 |
| 3.3 数据生成及数据处理 | 第47-50页 |
| 3.3.1 关于Python科学计算库的简介 | 第47-48页 |
| 3.3.2 信号生成和数据处理 | 第48-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 浅层神经网络通信信号调制识别器的设计与实现 | 第51-61页 |
| 4.1 网络结构的设计 | 第52-53页 |
| 4.2 激活函数的选择 | 第53页 |
| 4.3 损失函数的选择 | 第53-54页 |
| 4.4 CPU和GPU的体系结构差异 | 第54-55页 |
| 4.5 基于CPU和GPU协同实现的调制识别器 | 第55-58页 |
| 4.5.1 CPU和GPU协同架构设计 | 第55页 |
| 4.5.2 Tensorflow和Keras简介 | 第55-57页 |
| 4.5.3 调制识别器的具体实现 | 第57-58页 |
| 4.6 实验性能 | 第58-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第五章 基于深度学习技术的通信信号调制识别研究 | 第61-75页 |
| 5.1 深度学习的基本思想 | 第61-63页 |
| 5.2 基于CNN架构的通信信号调制模式识别器 | 第63-69页 |
| 5.2.1 卷积神经网络调制识别器的构建方案 | 第63-66页 |
| 5.2.2 卷积神经网络调制识别器的实现及性能 | 第66-69页 |
| 5.3 基于RNN架构的通信信号调制模式识别器 | 第69-74页 |
| 5.3.1 循环神经网络调制识别器的构建方案 | 第70-71页 |
| 5.3.2 循环神经网络调制识别器的实现及性能 | 第71-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 本文的主要工作 | 第75页 |
| 6.2 本文的创新工作 | 第75-76页 |
| 6.3 本文的后续工作 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 攻读硕士期间获得成果 | 第83-84页 |
| 个人简介 | 第84页 |