| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-25页 |
| 1.1 课题来源及研究的目的和意义 | 第13-17页 |
| 1.1.1 研究背景 | 第13-15页 |
| 1.1.2 研究的目的和意义 | 第15-17页 |
| 1.2 链路自适应及其国内外研究现状 | 第17-19页 |
| 1.2.1 链路自适应的概念 | 第17-18页 |
| 1.2.2 国内外研究现状及分析 | 第18-19页 |
| 1.3 认知无线电中认知引擎的研究现状 | 第19-23页 |
| 1.3.1 认知引擎的概念及组成 | 第19-22页 |
| 1.3.2 信道认知引擎的研究现状 | 第22页 |
| 1.3.3 认知决策引擎的研究现状 | 第22-23页 |
| 1.4 学位论文的主要研究内容 | 第23-25页 |
| 第2章 认知引擎设计相关理论概述 | 第25-42页 |
| 2.1 引言 | 第25-26页 |
| 2.2 多目标优化理论 | 第26-32页 |
| 2.2.1 多目标优化定义及其基本表示 | 第26-27页 |
| 2.2.2 Pareto最优化前沿 | 第27-31页 |
| 2.2.3 认知无线电中的多目标优化问题 | 第31-32页 |
| 2.3 人工智能理论 | 第32-38页 |
| 2.3.1 人工智能概述 | 第32-34页 |
| 2.3.2 搜索的基本策略 | 第34-35页 |
| 2.3.3 智能优化算法 | 第35-38页 |
| 2.4 自适应传输理论 | 第38-41页 |
| 2.4.1 自适应传输概述 | 第38-39页 |
| 2.4.2 物理层自适应传输技术 | 第39-40页 |
| 2.4.3 AMC技术 | 第40-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第3章 信道认知引擎研究 | 第42-65页 |
| 3.1 引言 | 第42-43页 |
| 3.2 信道估计算法 | 第43-51页 |
| 3.2.1 信道估计模型 | 第43-44页 |
| 3.2.2 改进的LS算法 | 第44-49页 |
| 3.2.3 仿真结果及性能分析 | 第49-51页 |
| 3.3 信道分类算法 | 第51-64页 |
| 3.3.1 隐马尔可夫模型 | 第53-55页 |
| 3.3.2 基于HMM的信道分类算法 | 第55-61页 |
| 3.3.3 基于BCPSO的HMM训练 | 第61-64页 |
| 3.4 本章小结 | 第64-65页 |
| 第4章 认知OFDM系统的认知决策引擎 | 第65-84页 |
| 4.1 引言 | 第65页 |
| 4.2 系统模型 | 第65-67页 |
| 4.3 基于二进制混沌粒子群算法的认知决策引擎 | 第67-72页 |
| 4.3.1 粒子群算法 | 第67-68页 |
| 4.3.2 二进制混沌粒子群算法 | 第68-70页 |
| 4.3.3 基于二进制混沌粒子群算法的认知决策引擎 | 第70-72页 |
| 4.4 仿真验证及分析 | 第72-82页 |
| 4.4.1 仿真场景及参数 | 第72-74页 |
| 4.4.2 仿真结果及性能分析 | 第74-82页 |
| 4.5 本章小结 | 第82-84页 |
| 第5章 认知SC-FDE系统的认知决策引擎 | 第84-113页 |
| 5.1 引言 | 第84-85页 |
| 5.2 慢时变信道下的认知决策引擎 | 第85-97页 |
| 5.2.1 系统模型 | 第85-86页 |
| 5.2.2 基于MCSD的AMC算法 | 第86-89页 |
| 5.2.3 基于新型AMC算法的认知决策引擎 | 第89-91页 |
| 5.2.4 性能及仿真分析 | 第91-97页 |
| 5.3 快时变信道下的认知决策引擎 | 第97-111页 |
| 5.3.1 系统模型 | 第98-99页 |
| 5.3.2 自适应门限调整算法 | 第99-103页 |
| 5.3.3 基于ATA和AMC的认知决策引擎 | 第103-105页 |
| 5.3.4 性能及仿真分析 | 第105-111页 |
| 5.4 本章小结 | 第111-113页 |
| 结论 | 第113-115页 |
| 参考文献 | 第115-124页 |
| 攻读博士学位期间发表的论文及其它成果 | 第124-127页 |
| 致谢 | 第127-128页 |
| 个人简历 | 第128页 |