| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的及意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-17页 |
| 1.3.1 无线通信信道预测技术 | 第12-13页 |
| 1.3.2 无线通信MIMO信号检测技术 | 第13-15页 |
| 1.3.3 基于深度学习的物理层无线通信技术 | 第15-17页 |
| 1.4 论文主要研究内容和章节安排 | 第17-19页 |
| 第二章 高速移动无线通信信道特征和深度学习技术概述 | 第19-36页 |
| 2.1 高速移动无线通信信道特性 | 第19-27页 |
| 2.1.1 大尺度衰落 | 第19-22页 |
| 2.1.2 小尺度衰落 | 第22-26页 |
| 2.1.3 多普勒频移 | 第26-27页 |
| 2.2 深度学习技术的原理及框架概述 | 第27-35页 |
| 2.2.1 深度学习典型技术原理概述 | 第27-34页 |
| 2.2.2 深度学习技术的主流框架 | 第34-35页 |
| 2.3 本章小结 | 第35-36页 |
| 第三章 基于LSTM神经网络的高铁移动通信信道预测技术 | 第36-54页 |
| 3.1 引言 | 第36-37页 |
| 3.2 基于GBSM的高铁移动通信信道模型和问题描述 | 第37-41页 |
| 3.2.1 高铁移动通信场景的特性 | 第37-39页 |
| 3.2.2 GBSM高铁移动通信信道模型 | 第39-41页 |
| 3.2.3 问题描述 | 第41页 |
| 3.3 基于LSTM-NN的高铁移动通信信道预测 | 第41-48页 |
| 3.3.1 基于LSTM-NN的高铁移动通信信道预测模型构建 | 第41-44页 |
| 3.3.2 基于LSTM-NN的高铁移动通信信道预测算法参数优化 | 第44-47页 |
| 3.3.3 基于LSTM-NN的高铁移动通信信道预测算法 | 第47-48页 |
| 3.4 仿真结果与分析 | 第48-52页 |
| 3.4.1 仿真参数设置 | 第48-49页 |
| 3.4.2 仿真结果分析 | 第49-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第四章 基于深度学习的高铁移动通信MIMO信号检测技术 | 第54-67页 |
| 4.1 引言 | 第54页 |
| 4.2 高铁移动通信MIMO信号检测模型和问题描述 | 第54-56页 |
| 4.2.1 高铁移动通信MIMO信号检测模型 | 第54-56页 |
| 4.2.2 问题描述 | 第56页 |
| 4.3 基于深度学习的高铁移动通信信号检测 | 第56-61页 |
| 4.3.1 基于深度学习的高铁移动通信信号检测模型构建 | 第56-59页 |
| 4.3.2 高铁移动通信场景下通信数据挖掘与聚类 | 第59-60页 |
| 4.3.3 基于深度学习的高铁移动通信信号检测算法 | 第60-61页 |
| 4.4 仿真结果与分析 | 第61-65页 |
| 4.4.1 仿真参数设置 | 第62页 |
| 4.4.2 仿真结果分析 | 第62-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 论文工作总结 | 第67页 |
| 5.2 研究展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第73-74页 |
| 附录2 攻读硕士学位期间申请的专利 | 第74-75页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第75-76页 |
| 致谢 | 第76页 |
