基于压缩感知和随机森林的模式识别方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 背景与意义 | 第10页 |
| 1.2 当前研究现状 | 第10-15页 |
| 1.2.1 通信信号调制方式识别研究现状 | 第10-11页 |
| 1.2.2 通信电台识别研究现状 | 第11-12页 |
| 1.2.3 压缩感知研究现状 | 第12-14页 |
| 1.2.4 随机森林研究现状 | 第14-15页 |
| 1.3 论文主要内容与章节安排 | 第15-17页 |
| 第2章 模式识别方法基本理论 | 第17-32页 |
| 2.1 基于降维方法的特征提取 | 第17-25页 |
| 2.1.1 主成分分析法 | 第17-19页 |
| 2.1.2 鲁棒主成分分析法 | 第19-20页 |
| 2.1.3 核主成分分析法 | 第20-21页 |
| 2.1.4 基于压缩感知的降维方法 | 第21-24页 |
| 2.1.5 距离测度 | 第24-25页 |
| 2.2 模式识别系统中的分类器 | 第25-31页 |
| 2.2.1 人工神经网络 | 第25-26页 |
| 2.2.2 支持向量机 | 第26-27页 |
| 2.2.3 灰色关联分析 | 第27-28页 |
| 2.2.4 随机森林分类器 | 第28-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 基于降维方法的调制方式识别 | 第32-53页 |
| 3.1 基于循环谱的初始特征 | 第32-35页 |
| 3.2 基于降维方法的特征提取 | 第35-45页 |
| 3.2.1 主成分分析法提取 | 第35-38页 |
| 3.2.2 压缩感知法提取 | 第38-39页 |
| 3.2.3 压缩感知-主成分分析法提取 | 第39-44页 |
| 3.2.4 降维方法选择 | 第44-45页 |
| 3.3 不同分类器识别结果 | 第45-50页 |
| 3.3.1 随机森林识别结果 | 第45-49页 |
| 3.3.2 支持向量机分类结果 | 第49页 |
| 3.3.3 神经网络分类结果 | 第49-50页 |
| 3.3.4 灰色关联分析分类结果 | 第50页 |
| 3.4 基于降维方法的调制方式识别系统模型 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 基于瞬态信号的通信电台识别 | 第53-66页 |
| 4.1 特征提取 | 第53-58页 |
| 4.1.1 信息采集及初步处理 | 第53-55页 |
| 4.1.2 特征降维 | 第55-58页 |
| 4.2 分类决策 | 第58-65页 |
| 4.2.1 固定维数下的识别结果 | 第58-59页 |
| 4.2.2 固定分类器下的识别结果 | 第59-61页 |
| 4.2.3 改进随机森林分类器下的识别结果 | 第61-65页 |
| 4.3 模式识别系统通用模型 | 第65页 |
| 4.4 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第73-74页 |
| 致谢 | 第74页 |
