| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 研究现状 | 第14-17页 |
| 1.2.1 基于高阶统计量的盲辨识算法 | 第15页 |
| 1.2.2 基于二阶统计量的盲辨识算法 | 第15-17页 |
| 1.3 面临的问题与研究思路 | 第17-19页 |
| 1.3.1 面临的问题 | 第18页 |
| 1.3.2 研究思路 | 第18-19页 |
| 1.4 本文主要工作及结构安排 | 第19-21页 |
| 第二章 信道模型与可辨识性分析 | 第21-27页 |
| 2.1 引言 | 第21页 |
| 2.2 SIMO信道模型 | 第21-23页 |
| 2.2.1 过采样模型 | 第21-22页 |
| 2.2.2 多天线模型 | 第22-23页 |
| 2.3 可辨识条件 | 第23-25页 |
| 2.3.1 信道条件 | 第23-24页 |
| 2.3.2 信源条件 | 第24页 |
| 2.3.3 数据条件 | 第24-25页 |
| 2.4 盲信道辨识算法评价准则 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 信道阶数估计算法 | 第27-43页 |
| 3.1 引言 | 第27页 |
| 3.2 信道的有效阶数 | 第27-28页 |
| 3.3 基于样本排序的阶数估计算法及改进算法 | 第28-33页 |
| 3.3.1 基于样本排序的阶数估计算法 | 第28-30页 |
| 3.3.2 改进算法 | 第30-31页 |
| 3.3.3 算法复杂度分析 | 第31-32页 |
| 3.3.4 仿真实验与性能分析 | 第32-33页 |
| 3.4 联合信道辨识与均衡的阶数估计算法(MCIE) | 第33-41页 |
| 3.4.1 基于信道辨识的阶数估计代价函数 | 第33-35页 |
| 3.4.2 最小二乘均衡准则与加权最小二乘均衡准则原理描述 | 第35-37页 |
| 3.4.3 最小二乘均衡准则与加权最小二乘均衡准则性能分析 | 第37-38页 |
| 3.4.4 MCIE算法流程 | 第38页 |
| 3.4.5 仿真实验与性能分析 | 第38-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 阶数误差鲁棒的确定性全盲辨识算法 | 第43-57页 |
| 4.1 引言 | 第43页 |
| 4.2 基于信道零点分布的盲辨识算法 | 第43-48页 |
| 4.2.1 信道零点分布与可辨识性关系 | 第43-44页 |
| 4.2.2 阶数过估计情况下的估计信道零点分布 | 第44-45页 |
| 4.2.3 基于信道零点分布的盲辨识算法原理 | 第45-46页 |
| 4.2.4 仿真实验与性能分析 | 第46-48页 |
| 4.3 采用FFT方法的抗阶数过估计盲辨识算法(R-FFT-SCR) | 第48-54页 |
| 4.3.1 改进的CR算法(SCR) | 第48-51页 |
| 4.3.2 基于FFT变换的SCR算法(FFT-SCR) | 第51页 |
| 4.3.3 对阶数误差具有鲁棒性的FFT-SCR算法(R-FFT-SCR) | 第51-52页 |
| 4.3.4 算法复杂度分析 | 第52页 |
| 4.3.5 仿真实验与性能分析 | 第52-54页 |
| 4.4 本章小结 | 第54-57页 |
| 第五章 确定性半盲辨识算法 | 第57-69页 |
| 5.1 引言 | 第57页 |
| 5.2 半盲辨识算法信号结构 | 第57-58页 |
| 5.3 采用奇异值分解方法的半盲辨识算法(SVD-SB) | 第58-61页 |
| 5.3.1 SVD-SB算法原理 | 第58-59页 |
| 5.3.2 仿真实验与性能分析 | 第59-61页 |
| 5.4 基于信道相关性的半盲辨识算法(MSBCR) | 第61-67页 |
| 5.4.1 基于信道CR相关性的全盲辨识算法 | 第62-63页 |
| 5.4.2 基于已知符号的传统LS算法及其改进算法 | 第63-64页 |
| 5.4.3 MSBCR算法描述 | 第64-65页 |
| 5.4.4 仿真实验与性能分析 | 第65-67页 |
| 5.5 本章小结 | 第67-69页 |
| 结束语 | 第69-72页 |
| 一、全文总结 | 第69-70页 |
| 二、工作展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 附录 1 | 第79-80页 |
| 附录 2 | 第80-81页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第81页 |
