|
基于机器学习的Turbo码闭集识别技术 | |
论文目录 | |
| 摘要 | 第1-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 选题背景 | 第10-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 论文结构 | 第13-15页 |
| 第二章 理论基础 | 第15-23页 |
| 2.1 m序列 | 第15-16页 |
| 2.2 卷积码 | 第16-18页 |
| 2.3 Turbo码 | 第18-19页 |
| 2.4 神经网络 | 第19-23页 |
| 2.4.1 多层前馈网络 | 第19-20页 |
| 2.4.2 卷积型神经网络 | 第20-21页 |
| 2.4.3 深度卷积网络 | 第21-23页 |
| 第三章 基于机器学习的m序列预测 | 第23-41页 |
| 3.1 机器学习处理m序列分析探究 | 第23-26页 |
| 3.2 数据集生成 | 第26-27页 |
| 3.3 模型设置 | 第27-33页 |
| 3.3.1 激活函数 | 第27-28页 |
| 3.3.2 BN正则 | 第28-30页 |
| 3.3.3 模型改进 | 第30-31页 |
| 3.3.4 梯度更新方式 | 第31-32页 |
| 3.3.5 训练样本量和维数分析 | 第32-33页 |
| 3.4 盲识别应用 | 第33-40页 |
| 3.4.1 训练阶数探索 | 第33-35页 |
| 3.4.2 系数探索 | 第35-37页 |
| 3.4.3 非稀疏系数的m序列 | 第37-40页 |
| 3.4.4 误码情况 | 第40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于机器学习的卷积码闭集识别 | 第41-61页 |
| 4.1 数据集生成 | 第41-43页 |
| 4.2 训练量与样本空间的探究 | 第43-44页 |
| 4.3 网络实验 | 第44-55页 |
| 4.3.1 多层前馈网络 | 第45-46页 |
| 4.3.2 CNN | 第46-48页 |
| 4.3.3 ResNet | 第48-50页 |
| 4.3.4 BCNN及改进网络 | 第50-53页 |
| 4.3.5 DenseNet | 第53-55页 |
| 4.4 多类别卷积码的分类 | 第55-57页 |
| 4.5 优化器的影响 | 第57-58页 |
| 4.6 卷积码实验结果验证 | 第58-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第五章 基于机器学习的 Turbo 码闭集识别 | 第61-76页 |
| 5.1 数据集生成 | 第61-62页 |
| 5.2 编码参数的学习 | 第62-67页 |
| 5.2.1 全随机交织生成数据集 | 第63-64页 |
| 5.2.2 全随机交织测试数据集 | 第64页 |
| 5.2.3 固定交织参数的训练集和测试集 | 第64-66页 |
| 5.2.4 全随机交织方式的训练集和测试集 | 第66-67页 |
| 5.3 交织方式的学习 | 第67-73页 |
| 5.3.1 非对位实验 | 第67-68页 |
| 5.3.2 约束长度与训练量 | 第68-73页 |
| 5.4 多帧实验 | 第73-75页 |
| 5.4.1 实验设置 | 第73-74页 |
| 5.4.2 数据集复用生成 | 第74-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第六章 全文总结与展望 | 第76-78页 |
| 6.1 全文总结 | 第76页 |
| 6.2 后续工作展望 | 第76-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-80页 |
本篇论文共80页，点击
这进入下载页面 |
|
| Copyright(C) All Rights Reserved |
| 客服QQ：304386486 |
| 目录由用户 se45** 提供，作者删除入口请点击这里 |