数据挖掘在调制识别中应用及并行化实现研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 选题背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文主要工作及章节安排 | 第13-15页 |
| 第2章 数据挖掘与Hadoop平台 | 第15-30页 |
| 2.1 数据挖掘相关技术 | 第15-23页 |
| 2.1.1 分类与聚类 | 第15-18页 |
| 2.1.2 k-means聚类算法 | 第18-19页 |
| 2.1.3 DBSCAN算法 | 第19-20页 |
| 2.1.4 受限玻尔兹曼机相关理论 | 第20-23页 |
| 2.2 Hadoop平台 | 第23-29页 |
| 2.2.1 HDFS | 第23-26页 |
| 2.2.2 MapReduce | 第26-29页 |
| 2.3 本章小节 | 第29-30页 |
| 第3章 基于H3RBM的数字调制信号识别 | 第30-48页 |
| 3.1 高阶累积量与特征参数的选取 | 第30-39页 |
| 3.1.1 高阶累积量理论 | 第30-31页 |
| 3.1.2 信号的高阶矩理论值 | 第31-37页 |
| 3.1.3 特征参数选取 | 第37-39页 |
| 3.2 基于H3RBM的调制样式识别 | 第39-41页 |
| 3.2.1 H3RBM理论 | 第39-40页 |
| 3.2.2 识别流程 | 第40-41页 |
| 3.3 H3RBM并行实现 | 第41-42页 |
| 3.4 算法仿真 | 第42-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于聚类的数字调制信号识别 | 第48-68页 |
| 4.1 基于并行k-means算法的调制样式识别 | 第48-57页 |
| 4.1.1 加权优化的距离 | 第48-49页 |
| 4.1.2 k-means算法的并行实现 | 第49-52页 |
| 4.1.3 识别流程 | 第52页 |
| 4.1.4 算法仿真 | 第52-57页 |
| 4.2 基于并行DBSCAN算法的调制样式识别 | 第57-66页 |
| 4.2.1 数据交叠分区 | 第57-60页 |
| 4.2.2 DBSCAN算法的并行实现 | 第60-64页 |
| 4.2.3 识别流程 | 第64-65页 |
| 4.2.4 算法仿真 | 第65-66页 |
| 4.3 本章小结 | 第66-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68-69页 |
| 5.2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 附录 作者在读期间发表的学术论文及参加的科研项目 | 第75页 |
