| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 论文的研究内容和工作安排 | 第11-14页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 论文组织 | 第12-14页 |
| 第二章 认知无线电频谱感知相关技术 | 第14-25页 |
| 2.1 概述 | 第14页 |
| 2.2 单节点频谱感知技术 | 第14-19页 |
| 2.2.1 能量检测 | 第15-16页 |
| 2.2.2 匹配滤波检测 | 第16-17页 |
| 2.2.3 循环平稳检测 | 第17-18页 |
| 2.2.4 传统单节点频谱感知算法性能比较 | 第18-19页 |
| 2.3 合作频谱感知技术 | 第19-20页 |
| 2.4 基于机器学习的频谱感知算法概述 | 第20-24页 |
| 2.4.1 机器学习算法概述 | 第20-21页 |
| 2.4.2 机器学习与频谱感知 | 第21页 |
| 2.4.3 支持向量机概述 | 第21-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于极限学习机的频谱感知算法设计 | 第25-44页 |
| 3.1 极限学习机理论 | 第25-31页 |
| 3.1.1 单隐层前馈神经网络介绍 | 第25-27页 |
| 3.1.2 极限学习机算法 | 第27-29页 |
| 3.1.3 极限学习机研究现状 | 第29-30页 |
| 3.1.4 极限学习机研究的不足 | 第30-31页 |
| 3.2 基于极限学习机的频谱感知算法 | 第31-38页 |
| 3.2.1 ELM频谱感知系统模型 | 第31-34页 |
| 3.2.2 ELM频谱感知算法步骤与实现 | 第34-37页 |
| 3.2.3 ELM频谱感知算法参数的选取 | 第37-38页 |
| 3.3 仿真结果与分析 | 第38-43页 |
| 3.3.1 不同信噪比下主用户信号的检测成功率对比 | 第38-40页 |
| 3.3.2 不同的频谱感知算法的训练时间对比 | 第40-41页 |
| 3.3.3 不同的隐层节点个数对ELM频谱感知算法的拟合性能对比 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于核极限学习机的频谱感知算法 | 第44-53页 |
| 4.1 核学习理论 | 第44-46页 |
| 4.1.1 核函数概念 | 第44-45页 |
| 4.1.2 核函数性质 | 第45-46页 |
| 4.2 基于核极限学习机的频谱感知算法设计 | 第46-49页 |
| 4.2.1 核极限学习机算法 | 第46-47页 |
| 4.2.2 核ELM频谱感知系统模型 | 第47页 |
| 4.2.3 不同参数值对改进算法性能的影响 | 第47-49页 |
| 4.3 仿真结果与分析 | 第49-52页 |
| 4.3.1 不同信噪比下主用户信号的检测成功率对比 | 第49-51页 |
| 4.3.2 不同的频谱感知算法的训练时间对比 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 总结和展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间发表的学术论文 | 第59页 |
