| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 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 机器学习研究现状 | 第11页 |
| 1.2.2 深度学习研究现状 | 第11-13页 |
| 1.2.3 无线电干扰研究现状 | 第13-14页 |
| 1.3 研究目标及内容 | 第14-15页 |
| 1.3.1 研究目标 | 第14页 |
| 1.3.2 研究内容 | 第14-15页 |
| 1.4 算法总体框架设计 | 第15页 |
| 1.5 本文结构安排 | 第15-17页 |
| 第2章 数据集制作 | 第17-25页 |
| 2.1 时频域联合分析 | 第17-19页 |
| 2.2 实验信号采集 | 第19-20页 |
| 2.3 数据集制作 | 第20-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 干扰检测模型 | 第25-35页 |
| 3.1 卷积神经网络 | 第25-28页 |
| 3.2 干扰检测模型设计 | 第28-32页 |
| 3.3 网络训练过程 | 第32-34页 |
| 3.3.1 反向传播 | 第32-33页 |
| 3.3.2 梯度下降 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于CNN的干扰信号检测 | 第35-43页 |
| 4.1 卷积层层数对比实验 | 第35-37页 |
| 4.2 Batch Normalization实验 | 第37-38页 |
| 4.3 残差结构实验 | 第38-39页 |
| 4.4 时频图与IQ数据对比实验 | 第39-40页 |
| 4.5 其他CNN模型对比实验 | 第40-42页 |
| 4.6 本章小结 | 第42-43页 |
| 第5章 基于CNN和SVM相结合的干扰信号检测 | 第43-54页 |
| 5.1 传统机器学习算法 | 第43-46页 |
| 5.1.1 支持向量机 | 第43-45页 |
| 5.1.2 其他机器学习算法 | 第45-46页 |
| 5.2 基于CNN和SVM相结合的干扰信号检测 | 第46-53页 |
| 5.2.1 不同核函数实验 | 第46-48页 |
| 5.2.2 传统机器学习算法实验 | 第48-50页 |
| 5.2.3 不同特征集对比实验 | 第50-51页 |
| 5.2.4 算法对比实验 | 第51-53页 |
| 5.3 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 工作总结 | 第54-55页 |
| 研究展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第62页 |