| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 专用术语注释表 | 第9-11页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状与意义 | 第12-16页 |
| 1.2.1 机器学习于计算机视觉 | 第12-15页 |
| 1.2.2 机器学习于通信 | 第15-16页 |
| 1.3 研究内容安排 | 第16-18页 |
| 第二章 机器学习算法相关知识 | 第18-26页 |
| 2.1 回归与分类算法 | 第18-20页 |
| 2.1.1 线性回归 | 第18-19页 |
| 2.1.2 逻辑回归 | 第19页 |
| 2.1.3 决策树 | 第19-20页 |
| 2.1.4 支持向量机 | 第20页 |
| 2.2 聚类算法 | 第20-22页 |
| 2.2.1 K-means | 第21页 |
| 2.2.2 层次聚类法 | 第21-22页 |
| 2.3 梯度下降 | 第22-23页 |
| 2.4 反向传播算法 | 第23-24页 |
| 2.5 交叉熵算法 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于机器学习算法的高压传输线检测算法设计 | 第26-48页 |
| 3.1 计算机视觉相关理论 | 第26-28页 |
| 3.1.1 计算机视觉 | 第26-27页 |
| 3.1.2 图像处理 | 第27-28页 |
| 3.2 高压传输线检测算法设计 | 第28-37页 |
| 3.2.1 算法设计思路 | 第28页 |
| 3.2.2 图像预处理模块设计 | 第28-31页 |
| 3.2.3 边缘检测模块设计 | 第31-32页 |
| 3.2.4 基于机器学习的高压传输线识别模块设计 | 第32-37页 |
| 3.3 高压传输线检测算法实现及结果 | 第37-46页 |
| 3.3.1 算法实现平台和第三方库 | 第37-38页 |
| 3.3.2 图像预处理实现结果 | 第38-41页 |
| 3.3.3 边缘检测实现结果 | 第41-42页 |
| 3.3.4 基于机器学习的高压传输线识别实现结果 | 第42-46页 |
| 3.4 本章小结 | 第46-48页 |
| 第四章 基于机器学习算法的大规模MIMO预编码方案分析 | 第48-59页 |
| 4.1 系统模型 | 第48-51页 |
| 4.1.1 基于相移器的预编码结构 | 第49-50页 |
| 4.1.2 基于开关的预编码结构 | 第50页 |
| 4.1.3 基于开关与逆变器的预编码结构 | 第50-51页 |
| 4.2 基于自适应交叉熵的预编码算法 | 第51-54页 |
| 4.3 性能分析结果 | 第54-57页 |
| 4.3.1 用户数量K相关系统性能分析 | 第54-56页 |
| 4.3.2 天线数量N相关系统性能分析 | 第56页 |
| 4.3.3 候选F_(RF)的数量S与精英FRF的数量S_(elite)之比ρ相关系统性能分析 | 第56-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 附录1 程序清单 | 第64-65页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 附录3 攻读硕士学位期间申请的专利 | 第66-67页 |
| 附录4 攻读硕士学位期间参加的科研项目 | 第67-68页 |
| 致谢 | 第68页 |