| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 深度学习卷积神经网络CNN | 第12-13页 |
| 1.3 超奈奎斯特速率通信 | 第13-14页 |
| 1.4 论文主要内容与组织结构 | 第14-16页 |
| 第二章 超窄带调制技术 | 第16-26页 |
| 2.1 EBPSK调制 | 第16-18页 |
| 2.1.1 波形定义 | 第16-17页 |
| 2.1.2 功率谱分析 | 第17-18页 |
| 2.2 双极性脉冲EBPSK调制 | 第18-21页 |
| 2.2.1 调制波形 | 第18-19页 |
| 2.2.2 功率谱分析 | 第19-21页 |
| 2.3 MPPSK调制 | 第21-23页 |
| 2.3.1 调制波形 | 第21-22页 |
| 2.3.2 频谱特性 | 第22-23页 |
| 2.4 双极性脉冲MPPSK调制分析 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 传输信道及接收滤波方案 | 第26-34页 |
| 3.1 EBPSK传输系统模型 | 第26页 |
| 3.2 超带限滤波 | 第26-29页 |
| 3.3 AWGN传输信道 | 第29-30页 |
| 3.4 冲击滤波器解调方案 | 第30-32页 |
| 3.4.1 冲击滤波器原理 | 第30页 |
| 3.4.2 冲击滤波器特性 | 第30-32页 |
| 3.5 普通IIR滤波器解调方案 | 第32-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第四章 基于DL-CNN的EBPSK信号判决 | 第34-54页 |
| 4.1 人工神经网络 | 第34页 |
| 4.2 卷积神经网络 | 第34-37页 |
| 4.2.1 深度学习 | 第34-35页 |
| 4.2.2 卷积神经网络结构 | 第35页 |
| 4.2.3 参数减少与权值共享 | 第35-36页 |
| 4.2.4 卷积神经网络训练过程 | 第36-37页 |
| 4.2.5 卷积神经网络的优点 | 第37页 |
| 4.3 基于深度学习CNN的EBPSK判决器 | 第37-40页 |
| 4.3.1 DL-CNN判决器设计思想与可行性分析 | 第37-38页 |
| 4.3.2 基于DL-CNN的EBPSK解调器训练过程 | 第38-40页 |
| 4.4 仿真结果 | 第40-51页 |
| 4.4.1 反相EBPSK系统 | 第40-43页 |
| 4.4.2 双极性EBPSK系统之一——带宽与K值的影响 | 第43-48页 |
| 4.4.3 双极性EBPSK系统之二——卷积核的影响 | 第48-51页 |
| 4.5 本章小结 | 第51-54页 |
| 第五章 基于DL-CNN的双极性脉冲MPPSK判决 | 第54-64页 |
| 5.1 双极性脉冲MPPSK-CNN判决系统 | 第54页 |
| 5.2 码间干扰对冲击滤波接收方案的影响 | 第54-56页 |
| 5.2.1 窄带滤波器设计方案 | 第54-55页 |
| 5.2.2 性能仿真 | 第55-56页 |
| 5.3 接收滤波器设计 | 第56-59页 |
| 5.3.1 设计方案 | 第56-57页 |
| 5.3.2 性能仿真 | 第57-59页 |
| 5.4 Kernel参数的影响 | 第59-60页 |
| 5.5 多码元联合判决方法 | 第60-61页 |
| 5.6 本章小结 | 第61-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 全文总结 | 第64-65页 |
| 6.2 主要创新 | 第65页 |
| 6.3 研究展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 作者简介 | 第74页 |
