改进型自组织特征映射神经网络的数字调制信号识别技术研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-15页 |
| ·通信信号调制识别的目的及意义 | 第9-10页 |
| ·通信信号调制识别的发展历程及现状 | 第10-12页 |
| ·论文的结构 | 第12-15页 |
| 第二章 数字调制信号概述及特征参数提取 | 第15-33页 |
| ·数字调制信号模型 | 第15-16页 |
| ·数字调制信号 | 第16-25页 |
| ·幅移键控(ASK) | 第16-18页 |
| ·频移键控(FSK) | 第18-22页 |
| ·相移键控(PSK) | 第22-25页 |
| ·正交幅度调制(QAM) | 第25-26页 |
| ·分类特征提取 | 第26-30页 |
| ·瞬时特征提取与处理 | 第26-29页 |
| ·分类特征参数介绍 | 第29-30页 |
| ·分类特征参数提取仿真 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 自组织特征映射神经网络 | 第33-43页 |
| ·自组织特征映射神经网络基本思想 | 第33-35页 |
| ·SOFM网络模型 | 第33-34页 |
| ·竞争层神经元的侧反馈作用 | 第34-35页 |
| ·竞争学习规则 | 第35-39页 |
| ·相似性测量 | 第35-36页 |
| ·权值向量归一化 | 第36页 |
| ·竞争学习规则 | 第36-39页 |
| ·SOFM网络的学习原理 | 第39-40页 |
| ·SOFM神经网络的实验仿真 | 第40-42页 |
| ·传统SOFM神经网络的局限性 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第四章 K-均值聚类算法的研究及改进 | 第43-53页 |
| ·K-均值聚类算法概述 | 第43-45页 |
| ·K-均值聚类算法的思想提出 | 第43页 |
| ·K-均值聚类算法的算法流程 | 第43-45页 |
| ·全局K-均值聚类算法 | 第45-46页 |
| ·算法的基本思想 | 第45页 |
| ·全局K-均值聚类算法流程 | 第45-46页 |
| ·k中心点法确定初始化中心 | 第46-47页 |
| ·基于全局K-均值聚类算法的改进 | 第47-48页 |
| ·算法的基本思想 | 第47-48页 |
| ·改进后的算法流程 | 第48页 |
| ·仿真实验及结果分析 | 第48-51页 |
| ·本章小结 | 第51-53页 |
| 第五章 基于神经网络的调制识别器设计 | 第53-63页 |
| ·SOFM神经网络用于调制信号识别 | 第53-56页 |
| ·SOFM神经网络结构设计 | 第53-54页 |
| ·神经元初始权值向量的选择 | 第54-55页 |
| ·权值向量调整公式 | 第55页 |
| ·学习率及初始领域半径的选择 | 第55-56页 |
| ·算法描述 | 第56页 |
| ·SOFM的改进算法 | 第56-59页 |
| ·利用kmeans函数 | 第57-58页 |
| ·利用改进的全局K-均值聚类 | 第58-59页 |
| ·改进后算法流程 | 第59页 |
| ·仿真实验及结果分析 | 第59-61页 |
| ·本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| ·本文的工作总结 | 第63-64页 |
| ·展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 攻读研究生期间发表的学术论文 | 第71页 |
