声明
缩略语对照表
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 传统调制样式识别
1.2.2 基于机器学习的调制样式识别
1.3 本文主要工作及章节安排
1.3.1 本文主要工作
1.3.2 本文章节安排
第2章 基于集成学习的调制样式识别算法
2.1 引言
2.2 基于多个HOC组合的特征参数
2.3 基于决策树的调制样式识别算法
2.4 基于Adaboost的调制样式识别算法
2.5 基于RF的调制样式识别算法
2.6 算法仿真与性能分析
2.7 本章小结
第3章 基于深度学习的调制样式识别算法
3.1 引言
3.2 深度学习基本理论
3.2.1 神经网络基本结构
3.2.2 反向传播算法
3.2.3 深度学习中的正则化策略
3.3 基于LSTM的调制样式识别算法
3.3.1 LSTM基本理论
3.3.2 LSTM算法设计
3.3.3 LSTM算法仿真与性能分析
3.4 基于CNN的调制样式识别算法
3.4.1 CNN基本理论
3.4.2 CNN算法设计
3.4.3 CNN算法仿真与性能分析
3.5基于CNN于LSTM结合的调制样式识别算法
3.5.1 CLP算法设计
3.5.2 CLP算法仿真与性能分析
3.6基于集成异构神经网络的调制样式识别算法
3.6.1算法设计
3.6.2 HNBagging算法仿真与性能分析
3.7 本章小结
第4章 基于迁移学习的调制样式识别算法
4.1 引言
4.2算法设计
4.2.1迁移学习原理
4.2.2模型设计
4.3 算法训练
4.4 算法仿真与性能分析
4.4.1实验数据集
4.4.2仿真实验结果
4.5 本章小结
第5章 总结与展望
致谢
参考文献
附录
杭州电子科技大学;