通信信号自动调制识别中的分类器设计
| 第1章 绪论 | 第1-18页 |
| 1．1 研究背景及其意义 | 第11-12页 |
| 1．2 发展简史和研究现状 | 第12-14页 |
| 1．3 通信信号调制识别的一般过程 | 第14-16页 |
| 1．4 本文的主要工作 | 第16-18页 |
| 第2章 调制信号的特征提取 | 第18-50页 |
| 2．1 引言 | 第18页 |
| 2．2 通信信号的基本特征参数 | 第18-20页 |
| 2．3 模拟调制信号 | 第20-24页 |
| 2．3．1 幅度调制 | 第20-23页 |
| 2．3．2 非线性调制(角调制) | 第23-24页 |
| 2．4 数字调制信号 | 第24-31页 |
| 2．4．1 振幅键控调制 | 第24-26页 |
| 2．4．2 移频键控调制 | 第26-28页 |
| 2．4．3 移相键控调制 | 第28-31页 |
| 2．5 零中心瞬时特征提取 | 第31-39页 |
| 2．6 熵特征提取 | 第39-42页 |
| 2．4．1 近似熵特征 | 第39-41页 |
| 2．4．2 范数熵特征 | 第41-42页 |
| 2．7 复杂度特征提取 | 第42-47页 |
| 2．7．1 关联维数 | 第42-43页 |
| 2．7．2 盒维数 | 第43-44页 |
| 2．7．3 信息维数 | 第44-45页 |
| 2．7．4 Lempel-Ziv复杂度 | 第45-47页 |
| 2．8 小波变换特征提取 | 第47-50页 |
| 第3章 神经网络分类器设计 | 第50-68页 |
| 3．1 引言 | 第50-51页 |
| 3．2 神经网络分类器概述 | 第51-52页 |
| 3．3 MLP神经网络分类器 | 第52-57页 |
| 3．3．1 MLP网络概述 | 第52-53页 |
| 3．3．2 BP算法 | 第53-55页 |
| 3．3．3 改进型BP算法 | 第55-57页 |
| 3．4 RBF神经网络分类器 | 第57-61页 |
| 3．4．1 RBF网络概述 | 第57-59页 |
| 3．4．2 RBF网络的学习算法 | 第59-61页 |
| 3．5 仿真实验研究 | 第61-67页 |
| 3．5．1 神经网络分类器设计 | 第61-64页 |
| 3．5．2 用MLP分类器做识别 | 第64-66页 |
| 3．5．3 用RBF分类器做识别 | 第66-67页 |
| 3．6 本章小结 | 第67-68页 |
| 第4章 支持向量机分类器设计 | 第68-89页 |
| 4．1 引言 | 第68页 |
| 4．2 支持向量机概述 | 第68-75页 |
| 4．2．1 线性情况 | 第69-72页 |
| 4．2．2 非线性情况 | 第72-74页 |
| 4．2．3 关于支持向量机方法的说明 | 第74-75页 |
| 4．3 支持向量机方法的主要研究内容 | 第75-81页 |
| 4．3．1 支持向量机新方法研究 | 第75-78页 |
| 4．3．2 支持向量机中参数选择 | 第78页 |
| 4．3．3 支持向量机的多类别分类方法研究 | 第78-81页 |
| 4．4 仿真实验研究 | 第81-87页 |
| 4．4．1 基于最小二乘支持向量机的分类器设计 | 第82-84页 |
| 4．4．2 不同训练数据长度 | 第84-85页 |
| 4．4．3 不同核函数，多种分类策略下识别情况。 | 第85-87页 |
| 4．5 本章小结 | 第87-89页 |
| 结论 | 第89-92页 |
| 致谢 | 第92-93页 |
| 参考文献 | 第93-100页 |
| 攻读学位期间发表文章 | 第100页 |
| 攻读学位期间参加的科研项目 | 第100页 |
