声明
1 绪论
1.1 研究背景和意义
1.2 发展现状
1.2.1信号检测的发展现状
1.2.2深度学习的发展现状
1.2.3深度学习在信号检测领域的发展现状
1.3 章节安排
2卷积神经网络理论基础
2.1 卷积神经网络介绍
2.1.1 卷积层
2.1.2 池化层
2.1.3 激活函数
2.1.4 全连接层
2.1.5 损失函数
2.2 卷积神经网络训练算法
2.2.1 BP算法
2.2.2卷积神经网络的反向传播算法
2.2.3卷积神经网络优化算法
2.3 深度学习框架介绍
2.4 本章小结
3基于短时傅里叶变换的卷积神经网络信号检测
3.1 基于短时傅里叶变换的检测模型设计
3.1.1短时傅里叶变换
3.1.2时频数据特征提取
3.1.3检测模型设计
3.1.4时频数据的采集
3.2 模型指标分析
3.2.1信号检测概率指标
3.2.2信号频率检测误差指标
3.2.3信号检测最小信噪比
3.2.4信号调制方式识别概率
3.2.5 检测实时性分析
3.3 模型与传统信号检测性能比较
3.3.1能量检测方法
3.3.2 多门限检测方法
3.3.3 模板匹配检测方法
3.3.4深度学习与传统信号检测性能比较小结
3.4 本章小结
4基于修正周期图法的卷积神经网络信号检测
4.1 基于修正图法检测的模型设计
4.1.1修正周期图法介绍
4.1.2功率谱数据滤波
4.1.3基于形态学滤波的一种新型滤波方法
4.1.4模型搭建
4.2 模型指标分析
4.2.1 信号检测概率指标
4.2.2信号频率检测误差指标
4.2.3信号检测最小信噪比
4.2.4 信号检测实时性
4.3 关键参数对检测性能的影响分析
4.3.1不同初始化对实验结果的影响
4.3.2不同学习率对实验结果的影响
4.3.3不同优化函数对实验结果的影响
4.4 基于滑动窗口的多目标信号检测
4.4.1模型介绍
4.4.2 DBSCAN聚类算法
4.4.3多目标检测结果
4.4.4 性能分析
4.5 本章小结
5总结与展望
5.1 论文的成果
5.2 论文存在的问题与展望
致谢
参考文献
