基于深度学习的电磁环境异常检测方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 异常检测问题研究现状 | 第11-13页 |
| 1.2.2 基于深度学习的异常检测问题研究现状 | 第13-14页 |
| 1.3 论文主要内容与章节安排 | 第14-16页 |
| 第2章 基于深度学习的电磁环境异常检测 | 第16-29页 |
| 2.1 电磁环境异常定义 | 第16页 |
| 2.2 深度学习理论基础 | 第16-23页 |
| 2.2.1 人工神经网络 | 第16-19页 |
| 2.2.2 反向传播算法 | 第19-23页 |
| 2.3 自动编码器 | 第23-26页 |
| 2.3.1 自动编码器学习算法 | 第24页 |
| 2.3.2 欠完备自动编码器 | 第24-25页 |
| 2.3.3 稀疏自动编码器 | 第25-26页 |
| 2.3.4 去噪自动编码器 | 第26页 |
| 2.4 数据集及评价指标 | 第26-28页 |
| 2.4.1 数据集 | 第26-27页 |
| 2.4.2 评价指标 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于自动编码器重构的异常检测方法研究 | 第29-50页 |
| 3.1 模型框架 | 第29-32页 |
| 3.1.1 数据预处理 | 第30-31页 |
| 3.1.2 数据降维与重构 | 第31-32页 |
| 3.1.3 门限判决 | 第32页 |
| 3.2 仿真数据实验 | 第32-46页 |
| 3.2.1 模型选择 | 第33-34页 |
| 3.2.2 信道环境异常 | 第34-38页 |
| 3.2.3 频带非法占用异常 | 第38-42页 |
| 3.2.4 宽带信号干扰异常 | 第42-46页 |
| 3.3 实测数据实验 | 第46-48页 |
| 3.4 本章小结 | 第48-50页 |
| 第4章 基于自编码器改进的单分类异常检测方法研究 | 第50-70页 |
| 4.1 方法理论与模型框架 | 第50-53页 |
| 4.1.1 数据降维 | 第52页 |
| 4.1.2 单分类支持向量机 | 第52-53页 |
| 4.2 仿真数据实验 | 第53-66页 |
| 4.2.1 模型选择 | 第53-54页 |
| 4.2.2 信道环境异常 | 第54-58页 |
| 4.2.3 频带非法占用异常 | 第58-62页 |
| 4.2.4 宽带信号干扰异常 | 第62-66页 |
| 4.3 实测数据实验 | 第66-69页 |
| 4.4 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第76-77页 |
| 致谢 | 第77页 |
