| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-11页 |
| 图录 | 第11-13页 |
| 表录 | 第13-14页 |
| 第一章 绪论 | 第14-30页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 认知无线电系统概述 | 第16-18页 |
| 1.3 研究现状 | 第18-20页 |
| 1.3.1 国外研究现状 | 第18-19页 |
| 1.3.2 国内研究现状 | 第19-20页 |
| 1.4 认知无线电关键技术及面临的挑战 | 第20-25页 |
| 1.4.1 CR 关键技术及面临的挑战 | 第20-22页 |
| 1.4.2 基于 NC-OFDM 的认知无线电系统 | 第22-24页 |
| 1.4.3 认知引擎技术 | 第24-25页 |
| 1.5 论文的主要工作及结构安排 | 第25-30页 |
| 1.5.1 论文的研究内容及主要创新点 | 第25-27页 |
| 1.5.2 论文结构安排 | 第27-30页 |
| 第二章 双瑞利衰落信道下能量检测性能分析 | 第30-42页 |
| 2.1 引言 | 第30页 |
| 2.2 基于能量检测的频谱感知 | 第30-31页 |
| 2.3 双瑞利衰落 | 第31-33页 |
| 2.3.1 双瑞利衰落信道 | 第31-32页 |
| 2.3.2 双瑞利衰落统计特性 | 第32-33页 |
| 2.4 双瑞利衰落下的平均检测概率 | 第33-34页 |
| 2.4.1 双瑞利衰落信噪比 PDF | 第33页 |
| 2.4.2 双瑞利衰落下的平均检测概率 | 第33-34页 |
| 2.5 双瑞利衰落下选择合并检测性能分析 | 第34-36页 |
| 2.5.1 信噪比γSC及其概率密度函数 PDF | 第34-35页 |
| 2.5.2 SC 平均检测概率 | 第35-36页 |
| 2.5.3 虚警概率 | 第36页 |
| 2.6 双瑞利衰落下切换合并检测性能分析 | 第36-38页 |
| 2.6.1 信噪比 γ_(SSC)及其概率密度函数 PDF | 第36页 |
| 2.6.2 SSC 平均检测概率 | 第36-38页 |
| 2.7 数值计算与仿真结果分析 | 第38-41页 |
| 2.8 本章小结 | 第41-42页 |
| 第三章 NC-OFDM 系统 PAPR 抑制问题研究 | 第42-64页 |
| 3.1 引言 | 第42页 |
| 3.2 OFDM 系统中的峰均比问题 | 第42-44页 |
| 3.2.1 PAPR 基本概念 | 第42-43页 |
| 3.2.2 降低 PAPR 的必要性 | 第43-44页 |
| 3.3 PAPR 统计特性分析 | 第44-50页 |
| 3.3.1 OFDM 系统 PAPR 统计特性 | 第44-45页 |
| 3.3.2 OFDM 系统 PAPR 边界 | 第45-47页 |
| 3.3.3 NC-OFDM 系统 PAPR 统计特性 | 第47-48页 |
| 3.3.4 NC-OFDM 系统 PAPR 边界 | 第48页 |
| 3.3.5 NC-OFDM 与 OFDM 统计特性对比与分析 | 第48-50页 |
| 3.4 PAPR 降低技术 | 第50-53页 |
| 3.4.1 选择性映射 | 第50-51页 |
| 3.4.2 部分传输序列 | 第51-53页 |
| 3.5 NC-OFDM 系统中基于子载波加权的 PAPR 降低方法 | 第53-57页 |
| 3.5.1 系统模型 | 第53-54页 |
| 3.5.2 数学描述与优化目标 | 第54-55页 |
| 3.5.3 基于遗传算法求解最优加权系数 | 第55-57页 |
| 3.6 性能分析 | 第57-63页 |
| 3.7 本章小结 | 第63-64页 |
| 第四章 NC-OFDM 系统中频谱成型技术研究 | 第64-80页 |
| 4.1 引言 | 第64页 |
| 4.2 NC-OFDM 系统中的带外辐射干扰问题 | 第64-67页 |
| 4.2.1 OFDM 系统中的高带外辐射问题 | 第64-66页 |
| 4.2.2 NC-OFDM 系统的旁瓣与功率谱 | 第66-67页 |
| 4.3 NC-OFDM 系统带外辐射抑制技术 | 第67-73页 |
| 4.3.1 OFDM 系统带外辐射抑制技术 | 第67-68页 |
| 4.3.2 一种改进的基于子载波加权的带外辐射降低方法 | 第68-71页 |
| 4.3.3 性能仿真与分析 | 第71-73页 |
| 4.4 基于子载波加权的峰均比与带外辐射联合降低 | 第73-79页 |
| 4.4.1 PAPR 与 OBP 的关系 | 第73-74页 |
| 4.4.2 问题描述与建模 | 第74-76页 |
| 4.4.3 联合最优加权系数向量的求解 | 第76-77页 |
| 4.4.4 性能分析与仿真 | 第77-79页 |
| 4.5 本章小结 | 第79-80页 |
| 第五章 基于 GABDTSVM 的认知引擎设计 | 第80-100页 |
| 5.1 引言 | 第80页 |
| 5.2 一种基于遗传算法的 SVM 决策树分类算法 | 第80-92页 |
| 5.2.1 支持向量机概述 | 第80-85页 |
| 5.2.2 SVM 决策树分类方法 | 第85-89页 |
| 5.2.3 基于遗传算法的 SVM 决策树 | 第89-92页 |
| 5.3 基于 GABDTSVM 的认知学习引擎设计 | 第92-96页 |
| 5.3.1 认知引擎系统设计 | 第92-94页 |
| 5.3.2 基于 GABDTSVM 的认知引擎学习方案 | 第94-96页 |
| 5.4 仿真结果分析 | 第96-98页 |
| 5.5 本章小结 | 第98-100页 |
| 第六章 全文总结 | 第100-102页 |
| 6.1 已取得的研究成果 | 第100-101页 |
| 6.2 可进一步研究的问题 | 第101-102页 |
| 致谢 | 第102-104页 |
| 参考文献 | 第104-113页 |
| 作者简历 | 第113页 |
