基于深度学习的调制样式识别算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 基于决策理论的最大似然检验方法 | 第12-13页 |
| 1.2.2 基于模式识别的调制样式识别方法 | 第13-16页 |
| 1.2.3 基于深度学习的调制样式识别方法 | 第16-17页 |
| 1.3 本文主要工作及章节安排 | 第17-20页 |
| 1.3.1 本文研究内容 | 第17-18页 |
| 1.3.2 本文章节安排 | 第18-20页 |
| 第2章 深度学习神经网络基本理论介绍 | 第20-34页 |
| 2.1 引言 | 第20页 |
| 2.2 受限玻尔兹曼机(RBM)理论 | 第20-24页 |
| 2.2.1 RBM简介 | 第20页 |
| 2.2.2 正则分布理论 | 第20-21页 |
| 2.2.3 吉布斯采样理论 | 第21页 |
| 2.2.4 受限玻尔兹曼机理论 | 第21-24页 |
| 2.3 稀疏自编码器(SAE)理论 | 第24-28页 |
| 2.3.1 自编码器基本结构 | 第24-25页 |
| 2.3.2 自编码器训练 | 第25-27页 |
| 2.3.3 稀疏自编码器理论 | 第27-28页 |
| 2.4 卷积神经网络(CNN)理论 | 第28-32页 |
| 2.4.1 CNN网络结构 | 第28-30页 |
| 2.4.2 CNN网络训练 | 第30-31页 |
| 2.4.3 CNN网络特点 | 第31-32页 |
| 2.5 SOFTMAX回归理论 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第3章 基于特征参数和深度学习的调制样式识别算法 | 第34-59页 |
| 3.1 引言 | 第34页 |
| 3.2 信号高阶累积量及特征参数 | 第34-42页 |
| 3.2.1 信号高阶累积量理论 | 第34-36页 |
| 3.2.2 调制信号模型及信号矩理论值推导 | 第36-41页 |
| 3.2.3 信号特征参数选取 | 第41-42页 |
| 3.3 基于HRBM的调制样式识别算法 | 第42-48页 |
| 3.3.1 HRBM相关理论 | 第42-44页 |
| 3.3.2 基于HRBM调制样式识别算法 | 第44-45页 |
| 3.3.3 算法仿真及性能分析 | 第45-48页 |
| 3.4 基于SAE的调制样式识别算法 | 第48-57页 |
| 3.4.1 SAE网络模型及输入样本设计 | 第48-50页 |
| 3.4.2 基于SAE调制样式识别算法 | 第50-52页 |
| 3.4.3 算法仿真及性能分析 | 第52-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第4章 基于信号数据和深度学习的调制样式识别算法 | 第59-79页 |
| 4.1 引言 | 第59页 |
| 4.2 基于SSAE的调制样式识别算法 | 第59-66页 |
| 4.2.1 SSAE神经网络模型及输入样本设计 | 第59-60页 |
| 4.2.2 基于SSAE的调制样式识别算法 | 第60-62页 |
| 4.2.3 算法仿真及性能分析 | 第62-66页 |
| 4.3 基于CNN的调制样式识别算法 | 第66-78页 |
| 4.3.1 CNN网络构建及输入样本构造 | 第66-68页 |
| 4.3.2 算法训练和识别过程 | 第68-72页 |
| 4.3.3 算法仿真及性能分析 | 第72-78页 |
| 4.3.3.1 仿真数据集和仿真环境说明 | 第72-73页 |
| 4.3.3.2 算法性能分析 | 第73-78页 |
| 4.4 本章小结 | 第78-79页 |
| 第5章 结束语 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-87页 |
| 附录 | 第87页 |
