| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-27页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 认知网络的发展现状 | 第15-18页 |
| 1.3 频谱感知的发展现状 | 第18-23页 |
| 1.4 本文的主要工作及内容安排 | 第23-27页 |
| 第2章 认知网络频谱感知技术基础 | 第27-47页 |
| 2.1 认知网络技术 | 第27-33页 |
| 2.1.1 认知网络的概念及特点 | 第27-30页 |
| 2.1.2 认知网络架构 | 第30-31页 |
| 2.1.3 认知网络关键技术 | 第31-33页 |
| 2.2 频谱感知关键技术 | 第33-46页 |
| 2.2.1 本地频谱检测算法 | 第34-38页 |
| 2.2.2 主用户接收端检测 | 第38-40页 |
| 2.2.3 协作频谱感知 | 第40-41页 |
| 2.2.4 基于机器学习的频谱感知算法 | 第41-45页 |
| 2.2.5 主用户信号类型识别算法 | 第45-46页 |
| 2.3 本章小结 | 第46-47页 |
| 第3章 基于循环谱分析的随机森林频谱感知算法 | 第47-75页 |
| 3.1 引言 | 第48-50页 |
| 3.2 循环谱分析 | 第50-53页 |
| 3.3 随机森林 | 第53-54页 |
| 3.4 系统模型 | 第54-55页 |
| 3.5 基于循环谱分析与随机森林的频谱感知算法 | 第55-64页 |
| 3.5.1 循环谱特征参数提取 | 第55-58页 |
| 3.5.2 随机森林的构建 | 第58-59页 |
| 3.5.3 算法描述与实现 | 第59-60页 |
| 3.5.4 仿真实验与结果分析 | 第60-64页 |
| 3.6 基于循环谱分析与随机森林的主用户信号类型识别算法 | 第64-69页 |
| 3.6.1 算法描述与实现 | 第64-66页 |
| 3.6.2 仿真实验与结果分析 | 第66-69页 |
| 3.7 基于改进随机森林的主用户信号类型识别算法 | 第69-74页 |
| 3.7.1 算法描述与实现 | 第69-71页 |
| 3.7.2 仿真实验与结果分析 | 第71-74页 |
| 3.8 本章小结 | 第74-75页 |
| 第4章 基于主成分分析的随机森林频谱感知算法 | 第75-97页 |
| 4.1 引言 | 第75-77页 |
| 4.2 主成分分析和核主成分分析 | 第77-80页 |
| 4.2.1 主成分分析 | 第77-78页 |
| 4.2.2 核主成分分析 | 第78-80页 |
| 4.3 系统描述 | 第80-81页 |
| 4.4 基于主成分分析与随机森林的频谱感知算法 | 第81-87页 |
| 4.4.1 算法描述与实现 | 第81-84页 |
| 4.4.2 仿真实验与结果分析 | 第84-87页 |
| 4.5 基于核主成分分析与随机森林的频谱感知算法 | 第87-92页 |
| 4.5.1 算法描述与实现 | 第87-89页 |
| 4.5.2 仿真实验与结果分析 | 第89-92页 |
| 4.6 基于主成分分析/核主成分分析与随机森林的主用户信号类型识别算法 | 第92-96页 |
| 4.6.1 算法描述与实现 | 第92-93页 |
| 4.6.2 仿真实验与结果分析 | 第93-96页 |
| 4.7 本章小结 | 第96-97页 |
| 第5章 基于流形学习的随机森林频谱感知算法 | 第97-117页 |
| 5.1 引言 | 第97-98页 |
| 5.2 流形学习 | 第98-100页 |
| 5.3 系统描述 | 第100-101页 |
| 5.4 基于局部线性嵌入与随机森林的频谱感知算法 | 第101-111页 |
| 5.4.1 算法描述与实现 | 第101-104页 |
| 5.4.2 仿真实验与结果分析 | 第104-111页 |
| 5.5 基于局部线性嵌入与随机森林的主用户信号类型识别算法 | 第111-114页 |
| 5.5.1 算法描述与实现 | 第111-112页 |
| 5.5.2 仿真实验与结果分析 | 第112-114页 |
| 5.6 本章小结 | 第114-117页 |
| 第6章 结论 | 第117-121页 |
| 参考文献 | 第121-131页 |
| 致谢 | 第131-133页 |
| 攻读博士学位期间发表论文 | 第133-134页 |
