基于深度学习的通信信号识别技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 机器学习在通信信号识别中的应用研究 | 第11-12页 |
| 1.2.2 深度学习在通信信号识别中的应用研究 | 第12-13页 |
| 1.2.3 现状分析 | 第13-14页 |
| 1.3 论文结构组织 | 第14-16页 |
| 第二章 问题综述 | 第16-30页 |
| 2.1 传统通信信号识别技术 | 第16-21页 |
| 2.1.1 预处理 | 第16-17页 |
| 2.1.2 时频分析与特征提取 | 第17-18页 |
| 2.1.3 分类器 | 第18-21页 |
| 2.2 深度学习算法 | 第21-29页 |
| 2.2.1 受限波尔兹曼机 | 第21-23页 |
| 2.2.2 Gibbs采样与对比散度算法 | 第23-25页 |
| 2.2.3 卷积受限波尔兹曼机 | 第25-26页 |
| 2.2.4 深度信念网络关键算法 | 第26-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 基于短时傅里叶变换机制的特征学习网络 | 第30-48页 |
| 3.1 问题描述 | 第30-31页 |
| 3.2 短时傅立叶变换 | 第31-32页 |
| 3.3 基于深度学习的时频特征学习算法 | 第32-46页 |
| 3.3.1 基于CRBM的模型设计 | 第32-35页 |
| 3.3.2 基于RBM的模型设计 | 第35-38页 |
| 3.3.3 模型训练技巧与优化方法 | 第38-46页 |
| 3.4 本章总结 | 第46-48页 |
| 第四章 基于小波变换机制的特征学习网络 | 第48-56页 |
| 4.1 小波变换 | 第48-49页 |
| 4.2 基于DWT机制的特征学习算法 | 第49-54页 |
| 4.2.1 模型设计 | 第49-51页 |
| 4.2.2 模型训练 | 第51-54页 |
| 4.3 本章总结 | 第54-56页 |
| 第五章 基于深度学习的通信信号识别与检测 | 第56-68页 |
| 5.1 调制识别 | 第56-63页 |
| 5.1.1 传统特征与算法模型 | 第56-59页 |
| 5.1.2 数据集 | 第59-61页 |
| 5.1.3 仿真参数 | 第61-62页 |
| 5.1.4 仿真结果与分析 | 第62-63页 |
| 5.2 信号检测 | 第63-66页 |
| 5.2.1 传统特征与算法模型 | 第64页 |
| 5.2.2 数据集 | 第64-65页 |
| 5.2.3 网络参数 | 第65页 |
| 5.2.4 仿真结果与分析 | 第65-66页 |
| 5.3 本章总结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 攻读学位期间发表的学术论文目录 | 第76页 |
