基于深度学习的无线通信场景识别研究
摘要 | 第6-7页 |
ABSTRACT | 第7-8页 |
符号对照表 | 第12-13页 |
缩略语对照表 | 第13-16页 |
第一章 绪论 | 第16-22页 |
1.1 研究背景及意义 | 第16-19页 |
1.1.1 干扰场景识别研究现状 | 第17-18页 |
1.1.2 信道场景识别研究现状 | 第18页 |
1.1.3 深度学习在场景识别中的研究现状 | 第18-19页 |
1.2 本文研究工作内容 | 第19-22页 |
第二章 无线通信与深度学习理论概述 | 第22-32页 |
2.1 干扰场景理论基础 | 第22-25页 |
2.2 信道场景理论基础 | 第25-28页 |
2.2.1 信道衰落时域特性 | 第25-27页 |
2.2.2 信道衰落频域特性 | 第27-28页 |
2.3 深度学习理论基础 | 第28-31页 |
2.3.1 反向传播算法 | 第28-29页 |
2.3.2 梯度下降优化算法 | 第29-31页 |
2.4 本章小结 | 第31-32页 |
第三章 基于卷积神经网络的干扰场景识别 | 第32-52页 |
3.1 引言 | 第32页 |
3.2 干扰场景识别模型 | 第32-33页 |
3.3 信号时频变换与图像预处理 | 第33-40页 |
3.3.1 信号时频变换 | 第33-37页 |
3.3.2 信号时频图像处理 | 第37-39页 |
3.3.3 处理结果与分析 | 第39-40页 |
3.4 干扰场景灰度图数据生成 | 第40-42页 |
3.5 基于卷积神经网络的干扰场景识别 | 第42-46页 |
3.5.1 卷积神经网络算法原理 | 第42-44页 |
3.5.2 干扰场景识别流程 | 第44-46页 |
3.6 干扰场景识别仿真结果与分析 | 第46-50页 |
3.6.1 网络超参数对识别性能的影响 | 第46-48页 |
3.6.2 时频变换方法对识别性能的影响 | 第48-49页 |
3.6.3 不同干扰场景识别结果分析 | 第49-50页 |
3.7 本章小结 | 第50-52页 |
第四章 基于深度信念网络的信道场景识别 | 第52-74页 |
4.1 引言 | 第52-53页 |
4.2 信道场景数据采集 | 第53-55页 |
4.3 信道场景数据降维分析 | 第55-59页 |
4.3.1 主成分分析法 | 第55-57页 |
4.3.2 自编码器 | 第57-59页 |
4.4 多径信道估计 | 第59-62页 |
4.5 基于接收信号与CIR的信道特征 | 第62-67页 |
4.5.1 LOS/NLOS传播环境特征 | 第62-64页 |
4.5.2 信道时域与频域特征 | 第64-65页 |
4.5.3 信道图像域特征 | 第65-67页 |
4.6 基于深度信念网络的信道场景识别 | 第67-72页 |
4.6.1 深度信念网络原理 | 第68页 |
4.6.2 信道场景识别模型 | 第68-69页 |
4.6.3 实验结果与分析 | 第69-72页 |
4.7 本章小结 | 第72-74页 |
第五章 总结与展望 | 第74-76页 |
5.1 工作总结 | 第74-75页 |
5.2 未来展望 | 第75-76页 |
参考文献 | 第76-80页 |
致谢 | 第80-82页 |
作者简介 | 第82-83页 |