| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 国外的研究现状和动态 | 第10页 |
| 1.2.2 国内的研究现状和动态 | 第10-11页 |
| 1.3 论文研究意义 | 第11-12页 |
| 1.4 论文内容和组织框架 | 第12-15页 |
| 1.4.1 论文主要内容 | 第12页 |
| 1.4.2 论文组织框架 | 第12-15页 |
| 第二章 高效调制解调 | 第15-25页 |
| 2.1 EBPSK调制 | 第15-17页 |
| 2.1.1 EBPSK调制原理 | 第15页 |
| 2.1.2 EBPSK调制参数及频谱分析 | 第15-17页 |
| 2.2 MPPSK调制 | 第17-21页 |
| 2.2.1 MPPSK调制表达式 | 第17-18页 |
| 2.2.2 MPPSK频谱特性 | 第18-21页 |
| 2.3 冲击滤波器 | 第21-22页 |
| 2.3.1 冲击滤波器的原理 | 第21页 |
| 2.3.2 冲击滤波器的特性 | 第21-22页 |
| 2.4 传输信道 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 SAE深度学习网络 | 第25-41页 |
| 3.1 深度学习 | 第25-27页 |
| 3.1.1 人工神经网络 | 第25-26页 |
| 3.1.2 深度学习的思想 | 第26-27页 |
| 3.2 SAE算法 | 第27-33页 |
| 3.2.1 自编码器 | 第27-28页 |
| 3.2.2 稀疏自编码器 | 第28-30页 |
| 3.2.3 栈式自编码器 | 第30-31页 |
| 3.2.4 栈式自编码器实例 | 第31-33页 |
| 3.3 Softmax回归 | 第33-36页 |
| 3.3.1 Softmax回归简介 | 第33-34页 |
| 3.3.2 Softmax回归的代价函数 | 第34-35页 |
| 3.3.3 Softmax回归模型参数化的特点 | 第35页 |
| 3.3.4 权重衰减 | 第35-36页 |
| 3.3.5 Softmax回归与Logistic回归的关系 | 第36页 |
| 3.4 基于SAE判决的MPPSK/AM复合调制信号 | 第36-39页 |
| 3.4.1 门限检测 | 第36-37页 |
| 3.4.2 系统框图 | 第37-38页 |
| 3.4.3 系统仿真 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于SAE深度学习网络的MPPSK信号解调 | 第41-59页 |
| 4.1 传统的MPPSK调制解调方法 | 第41-44页 |
| 4.1.1 传统的锁相环检测 | 第41页 |
| 4.1.2 基于自适应门限的幅度积分检测 | 第41-42页 |
| 4.1.3 相干解调 | 第42-43页 |
| 4.1.4 BP神经网络 | 第43-44页 |
| 4.2 联合检测解调方法 | 第44-46页 |
| 4.2.1 生成模板 | 第44-45页 |
| 4.2.2 相关系数 | 第45页 |
| 4.2.3 相关系数门限 | 第45-46页 |
| 4.3 SAE深度学习网络判决方案 | 第46-58页 |
| 4.3.1 M=128,K=3时的MPPSK调制系统研究 | 第46-53页 |
| 4.3.2 M=64, K=2时的MPPSK调制系统研究 | 第53-56页 |
| 4.3.3 多码元联合判决方案 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 创新 | 第59页 |
| 5.3 展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 作者简介 | 第67页 |
