| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 引言 | 第9-11页 |
| 1.1.1 光通信的发展趋势 | 第9-10页 |
| 1.1.2 高速相干光通信系统面临的挑战 | 第10-11页 |
| 1.2 机器学习概述 | 第11-15页 |
| 1.2.1 机器学习的任务 | 第13-14页 |
| 1.2.2 机器学习的应用 | 第14-15页 |
| 1.3 主要研究内容及本文的组织结构 | 第15-17页 |
| 第2章 机器学习算法理论 | 第17-26页 |
| 2.1 引言 | 第17-18页 |
| 2.2 无监督学习中的K-means聚类算法 | 第18-21页 |
| 2.3 监督学习中的KNN分类算法 | 第21-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 相干光通信系统的性能损伤 | 第26-31页 |
| 3.1 研究背景 | 第26页 |
| 3.2 光纤链路中的非线性效应 | 第26-28页 |
| 3.3 非线性效应对信号相位的影响 | 第28-29页 |
| 3.4 缓解光纤非线性效应引起的信号性能损伤的方法 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 改进的K-means算法及其实验验证 | 第31-42页 |
| 4.1 传统的K-means算法存在的问题 | 第31-32页 |
| 4.2 改进的K-means算法 | 第32-36页 |
| 4.2.1 有训练序列的K-means算法 | 第32-33页 |
| 4.2.2 盲K-means算法 | 第33-36页 |
| 4.3 实验系统及结果分析 | 第36-41页 |
| 4.3.1 实验系统配置 | 第36-37页 |
| 4.3.2 实验结果及分析 | 第37-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 改进的KNN算法及其实验验证 | 第42-56页 |
| 5.1 传统的KNN算法存在的问题 | 第42-43页 |
| 5.2 改进的盲KNN算法 | 第43-46页 |
| 5.3 实验系统及结果分析 | 第46-54页 |
| 5.3.1 实验系统配置 | 第46-47页 |
| 5.3.2 实验结果及分析 | 第47-51页 |
| 5.3.3 算法参数讨论 | 第51-54页 |
| 5.4 本章小结 | 第54-56页 |
| 第6章 总结与展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士期间的学术成果 | 第62-64页 |
| 致谢 | 第64-65页 |