首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--人工神经网络与计算论文

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

论文共83页,点击 下载论文
上一篇:基于密母算法与多智能体遗传算法的应急资源调度方法研究
下一篇:基于RGB-D相机的定位与绘图方法研究