| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 短时突发信号介绍 | 第9页 |
| 1.2 短时突发信号的研究发展与现状 | 第9-11页 |
| 1.3 本文的主要研究内容及安排 | 第11-13页 |
| 第二章 短时突发信号检测 | 第13-29页 |
| 2.1 短时突发信号检测算法简析 | 第13-14页 |
| 2.2 序贯检测 | 第14-18页 |
| 2.2.1 平均运行长度ARL： E_∞(T)￥ | 第15-16页 |
| 2.2.2 平均检测延迟： E_0(T) | 第16-17页 |
| 2.2.3 GLR仿真结果 | 第17-18页 |
| 2.3 基于概率密度函数比的变点检测 | 第18-28页 |
| 2.3.1 问题描述 | 第19页 |
| 2.3.2 差异性度量 | 第19-20页 |
| 2.3.3 无约束最小二乘重要性拟合u LSIF | 第20-22页 |
| 2.3.3.1 学习算法 | 第20-21页 |
| 2.3.3.2 基于u LSIF的突发信号检测 | 第21-22页 |
| 2.3.4 相对无约束最小二乘重要性拟合Ru LSIF | 第22-23页 |
| 2.3.4.1 相对PE差异 | 第22页 |
| 2.3.4.2 学习算法 | 第22-23页 |
| 2.3.4.3 基于Ru LSIF的突发信号检测 | 第23页 |
| 2.3.5 交叉验证（Cross-Validation）算法 | 第23-24页 |
| 2.3.6 实验仿真 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 短时突发信号信噪比估计 | 第29-47页 |
| 3.1 短时突发信号信噪比估计算法简析 | 第29-30页 |
| 3.2 信噪比的最大似然估计算法 | 第30-38页 |
| 3.2.1 信号模型 | 第30-31页 |
| 3.2.2 最大似然估计器 | 第31-35页 |
| 3.2.3 性能分析-克拉美罗下界（CRB） | 第35-37页 |
| 3.2.4 实验仿真结果 | 第37-38页 |
| 3.3 一致优于最大似然的信噪比估计算法 | 第38-46页 |
| 3.3.1 MLE的仿射修正-AMMLE | 第40-41页 |
| 3.3.2 AMMLE与UCRB | 第41-42页 |
| 3.3.3 界定SNR | 第42-43页 |
| 3.3.4 实验仿真结果 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 短时突发信号调制识别 | 第47-76页 |
| 4.1 短时突发信号调制识别算法简析 | 第47-48页 |
| 4.2 理想情况下最大似然调制识别技术 | 第48-59页 |
| 4.2.1 理想最大似然调制识别性能分析 | 第50-52页 |
| 4.2.2 理想最大似然调制识别渐近性能 | 第52-53页 |
| 4.2.3 改进的理想最大似然调制识别方法 | 第53-59页 |
| 4.3 基于幅度的最大似然调制识别技术 | 第59-67页 |
| 4.3.1 最优的非相干ML识别器：莱斯（Rice）方法 | 第60页 |
| 4.3.2 次优非相干ML识别器：高信噪比下的近似 | 第60-62页 |
| 4.3.3 次优非相干ML识别器：Nakagami近似 | 第62-63页 |
| 4.3.4 基于幅度最大似然识别算法性能分析 | 第63-67页 |
| 4.4 基于混合高斯模型的最大似然调制识别技术 | 第67-75页 |
| 4.4.1 高斯判别分析（GDA） | 第68-69页 |
| 4.4.2 基于GMM的稳健ML调制识别 | 第69-72页 |
| 4.4.3 基于GMM的稳健ML调制识别数值结果 | 第72-75页 |
| 4.5 本章小结 | 第75-76页 |
| 第五章 结束语 | 第76-78页 |
| 5.1 本文工作总结 | 第76页 |
| 5.2 未来工作展望 | 第76-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-82页 |
| 攻读硕士学位期间取得的成果 | 第82-83页 |
