| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景及研究意义 | 第16-18页 |
| 1.1.1 研究背景 | 第16-17页 |
| 1.1.2 研究意义 | 第17-18页 |
| 1.2 无线信号调制识别的发展和研究现状 | 第18-22页 |
| 1.2.1 基于似然比判决理论的方法 | 第19-20页 |
| 1.2.2 基于特征提取的统计机器学习方法 | 第20-21页 |
| 1.2.3 基于深度学习的无线调制识别方法 | 第21-22页 |
| 1.3 本文主要工作及内容安排 | 第22-24页 |
| 第二章 无线信号调制识别以及深度学习理论 | 第24-38页 |
| 2.1 引言 | 第24页 |
| 2.2 调制识别 | 第24-25页 |
| 2.2.1 信道对调制信号的影响 | 第24页 |
| 2.2.2 信道建模 | 第24-25页 |
| 2.3 神经网络概述 | 第25-29页 |
| 2.3.1 神经元概述 | 第25-27页 |
| 2.3.2 前馈神经网络 | 第27-28页 |
| 2.3.3 反向传播算法 | 第28-29页 |
| 2.4 卷积神经网络 | 第29-32页 |
| 2.4.1 卷积运算 | 第30页 |
| 2.4.2 卷积特性 | 第30-32页 |
| 2.5 卷积自编码器 | 第32-33页 |
| 2.6 神经网络优化算法 | 第33-36页 |
| 2.6.1 统计梯度下降优化算法 | 第33-34页 |
| 2.6.2 自适应矩估计优化算法 | 第34页 |
| 2.6.3 RMSProp优化算法 | 第34-35页 |
| 2.6.4 选择正确的优化算法 | 第35-36页 |
| 2.7 本章小结 | 第36-38页 |
| 第三章 基于CAE-CNN的无线信号调制识别 | 第38-54页 |
| 3.1 引言 | 第38页 |
| 3.2 调制信号 | 第38-40页 |
| 3.2.1 调制信号生成 | 第38-40页 |
| 3.2.2 信号采集 | 第40页 |
| 3.3 调制信号的表示 | 第40-45页 |
| 3.3.1 数据集可视化 | 第40-42页 |
| 3.3.2 调制信号的无监督表示 | 第42-44页 |
| 3.3.3 调制信号的监督引导稀疏表示 | 第44-45页 |
| 3.4 基于CAE-CNN的无线信号调制识别 | 第45-48页 |
| 3.4.1 CAE-CNN网络框架 | 第45-46页 |
| 3.4.2 CAE-CNN算法 | 第46页 |
| 3.4.3 算法运行环境及参数 | 第46-48页 |
| 3.5 结果及分析 | 第48-52页 |
| 3.5.1 分类结果 | 第48-50页 |
| 3.5.2 算法效率 | 第50-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第四章 基于传统特征与深度特征融合的无线调制方式识别技术研究 | 第54-68页 |
| 4.1 引言 | 第54页 |
| 4.2 传统特征 | 第54-57页 |
| 4.2.1 基本时频特征 | 第54-56页 |
| 4.2.2 高阶累积量 | 第56-57页 |
| 4.3 特征融合理论 | 第57-58页 |
| 4.4 传统特征与深度特征融合框架 | 第58-63页 |
| 4.4.1 特征归一化 | 第58-59页 |
| 4.4.2 基于Softmax回归的融合框架 | 第59-60页 |
| 4.4.3 基于深度学习的融合框架 | 第60-61页 |
| 4.4.4 基于集成树的融合框架 | 第61-63页 |
| 4.5 结果及分析 | 第63-66页 |
| 4.5.1 分类性能比较 | 第63-65页 |
| 4.5.2 分类混淆矩阵 | 第65-66页 |
| 4.6 本章小结 | 第66-68页 |
| 第五章 调制识别的深度框架研究 | 第68-80页 |
| 5.1 引言 | 第68页 |
| 5.2 系统模型 | 第68-71页 |
| 5.2.1 模型的偏差与方差 | 第69-70页 |
| 5.2.2 过拟合与欠拟合 | 第70-71页 |
| 5.3 网络超参数对调制识别的影响 | 第71-79页 |
| 5.3.1 网络层数对调制识别的影响 | 第71-73页 |
| 5.3.2 卷积核数目对调制识别的影响 | 第73-76页 |
| 5.3.3 卷积核大小对调制识别的影响 | 第76-79页 |
| 5.4 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-82页 |
| 6.1 研究结论 | 第80-81页 |
| 6.2 未来展望 | 第81-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88-90页 |
| 作者简介 | 第90-91页 |