| 1 序论 | 第1-12页 |
| 1．1 引言 | 第7页 |
| 1．2 研究背景 | 第7-8页 |
| 1．3 发展概况 | 第8-11页 |
| 1．4 本文的主要内容简介 | 第11-12页 |
| 2 数字调制方式的理论基础 | 第12-21页 |
| 2．1 数字调制方式 | 第12-14页 |
| 2．1．1 振幅键控 ASK | 第12-13页 |
| 2．1．2 频移键控 FSK | 第13页 |
| 2．1．3 相移键控 PSK | 第13-14页 |
| 2．1．4 正交振幅调制 QAM | 第14页 |
| 2．2 调制信号的基本参数提取 | 第14-21页 |
| 2．2．1 调制信号瞬时参数的提取 | 第14-17页 |
| 2．2．2 调制信号的载频估计 | 第17-19页 |
| 2．2．3 符号速率估计 | 第19-21页 |
| 3 基于分形和测度理论的特征提取 | 第21-24页 |
| 4 高阶统计量理论基础 | 第24-32页 |
| 4．1 高阶矩和高阶累积量的定义 | 第24-28页 |
| 4．2 高阶矩和高阶累积量的转换关系 | 第28-29页 |
| 4．3 高阶矩和高阶累积量的性质及应用 | 第29-30页 |
| 4．4 四阶累计量的一些推导 | 第30-32页 |
| 5 神经网络理论基础及应用 | 第32-41页 |
| 5．1 神经网络模型 | 第32-34页 |
| 5．1．1 生物神经元模型 | 第32-33页 |
| 5．1．2 人工神经元模型 | 第33页 |
| 5．1．3 人工神经网络模型及工作方式 | 第33-34页 |
| 5．2 BP神经网络结构和算法 | 第34-37页 |
| 5．2．1 反向传播(BP)算法 | 第35-37页 |
| 5．3 BP网络的设计分析 | 第37-38页 |
| 5．3．1 隐含层数的分析 | 第37页 |
| 5．3．2 隐含层内节点数的确定 | 第37页 |
| 5．3．3 初始权值的选取 | 第37-38页 |
| 5．3．4 学习速率的选取 | 第38页 |
| 5．3．5 期望误差的选取 | 第38页 |
| 5．3．6 训练集的选取 | 第38页 |
| 5．4 BP算法的若干改进 | 第38-41页 |
| 5．4．1 加入动量项 | 第39页 |
| 5．4．2 自适应学习率调整法 | 第39页 |
| 5．4．3 Levenberg-Marquardt算法 | 第39-41页 |
| 6 数字调制方式的分层结构神经网络识别算法 | 第41-57页 |
| 6．1 统计模式识别 | 第41-42页 |
| 6．2 信号产生模型 | 第42-43页 |
| 6．2．1 数字信号的数学表达式 | 第42-43页 |
| 6．3 识别特征值 | 第43-48页 |
| 6．4 分层结构神经网络分类器 | 第48-52页 |
| 6．5 仿真结果 | 第52-56页 |
| 6．5．1 观测数据长度对识别性能的影响 | 第54-56页 |
| 6．6 本章小结 | 第56-57页 |
| 7 模糊模式识别应用 | 第57-64页 |
| 7．1 模糊理论 | 第57-59页 |
| 7．1．1 模糊集概念及其表示 | 第57-58页 |
| 7．1．2 隶属函数的确定 | 第58-59页 |
| 7．2 模糊识别在本次研究中的应用 | 第59-63页 |
| 7．3 本章小结 | 第63-64页 |
| 结束语 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-72页 |