摘要 | 第5-7页 |
ABSTRACT | 第7-9页 |
符号对照表 | 第12-13页 |
缩略语对照表 | 第13-18页 |
第一章 绪论 | 第18-30页 |
1.1 研究背景和意义 | 第18-19页 |
1.2 研究现状和评述 | 第19-28页 |
1.2.1 基于似然函数的调制方式识别方法 | 第20-23页 |
1.2.2 基于特征的调制方式识别方法 | 第23-26页 |
1.2.3 基于传感器网络调制方式识别方法 | 第26-28页 |
1.3 论文的研究内容 | 第28-30页 |
第二章 用于调制方式识别的二维累积量特征统计模型分析 | 第30-38页 |
2.1 引言 | 第30页 |
2.2 特征提取 | 第30-31页 |
2.3 二维归一化四阶累积量特征的统计模型分析 | 第31-33页 |
2.4 分类器设计与性能分析 | 第33-35页 |
2.5 总结 | 第35-38页 |
第三章 具有拒判能力的调制方式分类器 | 第38-62页 |
3.1 引言 | 第38-39页 |
3.2 问题描述与累积量特征矢量的分布 | 第39-43页 |
3.2.1 问题描述 | 第39-40页 |
3.2.2 四阶累积量特征矢量及其特性分析 | 第40-41页 |
3.2.3 二维特征矢量的经验模型 | 第41-43页 |
3.3 基于凸包学习和收缩的数字调制方式分类器 | 第43-49页 |
3.3.1 问题描述 | 第43-45页 |
3.3.2 有限点集张成的凸包 | 第45-46页 |
3.3.3 凸包贪婪学习算法(GCL) | 第46-47页 |
3.3.4 凸包交替收缩算法(ACS) | 第47-48页 |
3.3.5 数字调制方式分类器 | 第48-49页 |
3.4 实验结果与性能对比 | 第49-61页 |
3.4.1 基于凸包学习的调制分类器的分类性能和拒判性能 | 第50-53页 |
3.4.2 不同训练样本集对分类器的影响 | 第53-55页 |
3.4.3 与两类现有的调制方式分类器进行对比 | 第55-59页 |
3.4.4 模型失配对基于凸包学习的调制方式分类器的影响 | 第59-61页 |
3.5 总结 | 第61-62页 |
第四章 多径衰落信道下累积量特征的估计方法 | 第62-78页 |
4.1 引言 | 第62页 |
4.2 问题描述 | 第62-65页 |
4.2.1 信号模型 | 第62-63页 |
4.2.2 基于累积量特征的调制方式分类器 | 第63-64页 |
4.2.3 多径信道下的累积量特征 | 第64-65页 |
4.3 多径信道下累积量特征的估计方法 | 第65-69页 |
4.3.1 估计方法 | 第65-67页 |
4.3.2 估计量的数学期望 | 第67页 |
4.3.3 信道阶数失配对估计量的影响 | 第67-69页 |
4.4 仿真实验结果 | 第69-77页 |
4.4.1 归一化四阶累积量估计的性能 | 第69-72页 |
4.4.2 信道阶数失配对估计的渐近无偏性的影响 | 第72-73页 |
4.4.3 调制方式分类性能对比 | 第73-75页 |
4.4.4 信噪比失配对分类性能的影响与计算复杂度 | 第75-77页 |
4.5 总结 | 第77-78页 |
第五章 非高斯噪声衰落信道下分布式数字调制识别方法 | 第78-100页 |
5.1 引言 | 第78-79页 |
5.2 问题描述 | 第79-82页 |
5.2.1 信号模型 | 第79-80页 |
5.2.2 幅度相位调制方式星座图的旋转对称性 | 第80-82页 |
5.3 混合似然比分类器 | 第82-83页 |
5.4 改进的分布式期望最大化算法 | 第83-91页 |
5.4.1 期望最大化算法(EM算法) | 第83-87页 |
5.4.2 改进的分布式期望最大化算法(MDEM算法) | 第87-91页 |
5.5 参数矢量θ无偏估计的克拉美罗下界 | 第91-92页 |
5.6 仿真实验结果 | 第92-98页 |
5.6.1 MDEM算法的收敛性 | 第92-94页 |
5.6.2 MDEM算法的估计准确性 | 第94-95页 |
5.6.3 调制方式分类性能 | 第95-98页 |
5.7 总结 | 第98-100页 |
第六章 结论和展望 | 第100-102页 |
6.1 研究结论 | 第100-101页 |
6.2 研究展望 | 第101-102页 |
附录 | 第102-108页 |
附录A | 第102-103页 |
附录B | 第103-104页 |
附录C | 第104-108页 |
参考文献 | 第108-116页 |
致谢 | 第116-118页 |
作者简介 | 第118-119页 |