基于深度学习的主用户信号分析
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 认知无线电 | 第9-12页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 认知无线电的定义 | 第10-11页 |
| 1.1.3 认知无线电关键技术 | 第11-12页 |
| 1.2 深度学习 | 第12-17页 |
| 1.2.1 研究背景和意义 | 第12-13页 |
| 1.2.2 国内外研究历史与现状 | 第13-14页 |
| 1.2.3 卷积神经网络 | 第14-17页 |
| 1.3 文本主要工作安排 | 第17-19页 |
| 第2章 信号模型与数据预处理 | 第19-27页 |
| 2.1 信号模型 | 第19-20页 |
| 2.2 数据预处理 | 第20-22页 |
| 2.3 主用户信号预处理 | 第22-24页 |
| 2.3.1 星座图 | 第23页 |
| 2.3.2 灰度图 | 第23-24页 |
| 2.3.3 增强灰度图 | 第24页 |
| 2.3.4 三通道彩图 | 第24页 |
| 2.4 预处理方式选择 | 第24-25页 |
| 2.5 本章总结 | 第25-27页 |
| 第3章 主用户数字调制方式识别 | 第27-37页 |
| 3.1 引言 | 第27-28页 |
| 3.2 传统数字调制方式识别 | 第28-30页 |
| 3.2.1 基于高阶累积量的调制方式识别 | 第28-29页 |
| 3.2.2 基于支持向量机的调制方式识别 | 第29-30页 |
| 3.3 基于深度学习的数字调制方式识别 | 第30-34页 |
| 3.3.1 数据准备 | 第30-31页 |
| 3.3.2 网络结构 | 第31-33页 |
| 3.3.3 实验方式 | 第33-34页 |
| 3.4 仿真结果分析 | 第34-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第4章 主用户信号干扰分析 | 第37-45页 |
| 4.1 引言 | 第37-38页 |
| 4.2 基于深度学习的干扰信号识别 | 第38-43页 |
| 4.2.1 数据准备 | 第39-41页 |
| 4.2.2 网络结构 | 第41-42页 |
| 4.2.3 实验方式 | 第42页 |
| 4.2.4 仿真结果分析 | 第42-43页 |
| 4.3 本章总结 | 第43-45页 |
| 第5章 主用户信噪比估计 | 第45-57页 |
| 5.1 引言 | 第45-46页 |
| 5.2 传统信噪比估计算法 | 第46-51页 |
| 5.2.1 基于M2M4的信噪比估计 | 第46-50页 |
| 5.2.2 基于SVR的信噪比估计 | 第50-51页 |
| 5.3 基于深度学习的信噪比估计 | 第51-53页 |
| 5.3.1 数据准备 | 第52-53页 |
| 5.3.2 网络结构 | 第53页 |
| 5.3.3 实验方式 | 第53页 |
| 5.4 仿真结果分析 | 第53-56页 |
| 5.4.1 信噪比分类模型 | 第53-55页 |
| 5.4.2 信噪比估计性能 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 本文主要研究成果 | 第57-58页 |
| 6.2 下一步工作方向 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-67页 |
| 个人简历、在学期间发表的学术论文和研究成果 | 第67页 |
