| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文的研究内容与结构安排 | 第13-15页 |
| 第二章 MIMO系统盲源分离与均衡问题概述 | 第15-22页 |
| 2.1 MIMO系统单级盲源分离与均衡方法模型 | 第15-17页 |
| 2.2 传统的单级盲源分离与均衡算法 | 第17-19页 |
| 2.2.1 互相关常模算法 | 第17-18页 |
| 2.2.2 互相关多模算法 | 第18-19页 |
| 2.3 MIMO系统多级盲源分离与均衡方法模型 | 第19-21页 |
| 2.4 传统的多级盲源分离与均衡方法 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 传统在线盲源分离与均衡算法的改进 | 第22-29页 |
| 3.1 β多模算法及互相关β多模算法 | 第22-23页 |
| 3.1.1 β多模算法 | 第22页 |
| 3.1.2 互相关β多模算法 | 第22-23页 |
| 3.2 互相关字符匹配算法及其双模式方案 | 第23-24页 |
| 3.3 互相关判决引导算法及其双模式方案 | 第24页 |
| 3.4 仿真实验 | 第24-28页 |
| 3.4.1 CC-βMMA盲源分离与均衡后系统的TI性能 | 第25页 |
| 3.4.2 双模式方案盲源分离与均衡后系统的TI性能 | 第25-27页 |
| 3.4.3 双模式方案对64QAM信号的盲恢复能力 | 第27-28页 |
| 3.5 本章小结 | 第28-29页 |
| 第四章 基于SVR的互相关常模算法及其双模式方案 | 第29-44页 |
| 4.1 支持向量回归互相关常模算法 | 第29-33页 |
| 4.1.1 基于SVR的常模盲均衡 | 第29-30页 |
| 4.1.2 基于SVR的互相关盲源分离 | 第30页 |
| 4.1.3 迭代重加权最小二乘寻优 | 第30-33页 |
| 4.2 支持向量回归互相关半径引导算法及其双模式方案 | 第33-34页 |
| 4.3 仿真实验 | 第34-42页 |
| 4.3.1 算法族SVR-CC-CMA(p,2)的性能 | 第35-38页 |
| 4.3.2 双模式方案族SVR-CC-CM(p,2)-RD的性能 | 第38-40页 |
| 4.3.3 收敛概率及收敛过程分析 | 第40-42页 |
| 4.3.4 双模式方案对64QAM信号的盲恢复能力 | 第42页 |
| 4.4 本章小结 | 第42-44页 |
| 第五章 基于SVR的互相关多模算法及其双模式方案 | 第44-58页 |
| 5.1 支持向量回归互相关多模算法 | 第44-45页 |
| 5.2 支持向量回归互相关判决引导算法及其双模式方案 | 第45-46页 |
| 5.3 仿真实验 | 第46-57页 |
| 5.3.1 算法族SVR-CC-MMA(p,2)的性能 | 第47-51页 |
| 5.3.2 双模式方案族SVR-CC-MM(p,2)-DD的性能 | 第51-53页 |
| 5.3.3 误符号率、收敛概率及收敛过程分析 | 第53-56页 |
| 5.3.4 双模式方案对256/1024QAM信号的盲恢复能力 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 论文总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 在学期间的研究成果 | 第65-66页 |
| 致谢 | 第66页 |
