| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第15-19页 |
| 第一章 绪论 | 第19-27页 |
| 1.1 研究背景与意义 | 第19-21页 |
| 1.2 国内外研究现状 | 第21-23页 |
| 1.3 本文主要研究内容和创新点 | 第23-26页 |
| 1.3.1 课题主要研究内容 | 第23-25页 |
| 1.3.2 课题创新点 | 第25-26页 |
| 1.4 本文组织结构 | 第26-27页 |
| 第二章 NOMA技术和分类算法概述 | 第27-47页 |
| 2.1 NOMA技术 | 第27-30页 |
| 2.1.1 NOMA基本原理 | 第27-28页 |
| 2.1.2 NOMA优势 | 第28-30页 |
| 2.2 叠加编码方式 | 第30-32页 |
| 2.3 SIC接收机基本原理 | 第32-34页 |
| 2.4 干扰用户调制方式盲检算法 | 第34-39页 |
| 2.4.1 基于最大似然的盲检算法 | 第36-37页 |
| 2.4.2 基于特征的盲检算法 | 第37-39页 |
| 2.5 分类算法 | 第39-46页 |
| 2.5.1 逻辑回归 | 第39-41页 |
| 2.5.2 支持向量机 | 第41-43页 |
| 2.5.3 人工神经网络 | 第43-46页 |
| 2.6 本章小结 | 第46-47页 |
| 第三章 基于最大似然的调制方式盲检算法 | 第47-61页 |
| 3.1 系统模型 | 第47-49页 |
| 3.2 最大似然和最大对数似然盲检算法 | 第49-51页 |
| 3.3 改进的最大对数似然盲检算法 | 第51-52页 |
| 3.4 复杂度分析 | 第52-54页 |
| 3.5 仿真结果与性能分析 | 第54-59页 |
| 3.6 本章小结 | 第59-61页 |
| 第四章 基于机器学习的调制方式盲检算法 | 第61-85页 |
| 4.1 Anderson-Darling检验 | 第61-63页 |
| 4.2 算法框架及流程 | 第63-64页 |
| 4.3 训练部分 | 第64-71页 |
| 4.3.1 分类 | 第64页 |
| 4.3.2 特征提取 | 第64-68页 |
| 4.3.3 特征映射 | 第68-70页 |
| 4.3.4 分类模型训练 | 第70-71页 |
| 4.4 盲检部分 | 第71-73页 |
| 4.5 复杂度分析 | 第73-75页 |
| 4.6 性能评估 | 第75-83页 |
| 4.6.1 MLAD算法性能与最大对数似然算法和理想条件比较 | 第76-78页 |
| 4.6.2 MLAD算法性能与K-最大对数似然算法和理想条件比较 | 第78页 |
| 4.6.3 采用不同机器学习算法的MLAD算法性能比较 | 第78-83页 |
| 4.6.4 MLAD算法和K-最大对数似然算法的适用环境 | 第83页 |
| 4.7 本章小结 | 第83-85页 |
| 第五章 总结与展望 | 第85-87页 |
| 5.1 本文工作总结 | 第85-86页 |
| 5.2 下一步研究方向 | 第86-87页 |
| 附录A 拉格朗日乘子法 | 第87-89页 |
| 附录B 缩略语表 | 第89-93页 |
| 参考文献 | 第93-101页 |
| 致谢 | 第101-103页 |
| 攻读学位期间发表的学术论文目录 | 第103页 |
