| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 课题背景和研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 认知无线电研究现状 | 第14-15页 |
| 1.2.2 认知决策引擎研究现状 | 第15-16页 |
| 1.2.3 频谱分配研究现状 | 第16-17页 |
| 1.2.4 量子群集智能研究现状 | 第17-18页 |
| 1.3 本文的研究内容以及各章节安排 | 第18-20页 |
| 第2章 若干认知无线电关键技术及理论基础 | 第20-44页 |
| 2.1 认知决策引擎技术 | 第20-31页 |
| 2.1.1 认知无线电系统高层概念 | 第20-21页 |
| 2.1.2 认知决策引擎模型 | 第21-24页 |
| 2.1.3 智能计算在认知决策引擎中的应用 | 第24-30页 |
| 2.1.4 计算机仿真及结果分析 | 第30-31页 |
| 2.2 频谱分配技术 | 第31-43页 |
| 2.2.1 频谱分配技术分类 | 第31-32页 |
| 2.2.2 频谱分配模型 | 第32-36页 |
| 2.2.3 常用的效益函数 | 第36页 |
| 2.2.4 经典的基于图论模型的频谱分配方法 | 第36-41页 |
| 2.2.5 计算机仿真及结果分析 | 第41-43页 |
| 2.3 本章小节 | 第43-44页 |
| 第3章 基于量子群智能的认知决策引擎 | 第44-73页 |
| 3.1 基于膜量子蜂群算法的认知引擎 | 第44-56页 |
| 3.1.1 膜结构简介 | 第44-45页 |
| 3.1.2 膜量子蜂群优化算法 | 第45-48页 |
| 3.1.3 膜量子蜂群优化的收敛性分析 | 第48-49页 |
| 3.1.4 基于膜量子蜂群算法的认知决策引擎 | 第49-50页 |
| 3.1.5 仿真结果分析 | 第50-56页 |
| 3.2 基于膜结构下混合量子雁群算法的认知引擎 | 第56-62页 |
| 3.2.1 膜结构下的混合量子雁群算法 | 第56-58页 |
| 3.2.2 基于混合编码膜量子雁群算法的认知引擎 | 第58-59页 |
| 3.2.3 仿真结果分析 | 第59-62页 |
| 3.3 基于多目标量子蚁群算法的多目标认知引擎 | 第62-72页 |
| 3.3.1 单目标量子蚁群算法 | 第63-64页 |
| 3.3.2 多目标量子蚁群算法 | 第64-66页 |
| 3.3.3 基于多目标量子蚁群算法的多目标认知引擎 | 第66-68页 |
| 3.3.4 仿真结果分析 | 第68-72页 |
| 3.4 本章小结 | 第72-73页 |
| 第4章 基于多目标膜量子蜂群算法的频谱分配 | 第73-84页 |
| 4.1 多目标膜量子蜂群算法 | 第73-77页 |
| 4.1.1 膜量子蜂群的基本演进规则 | 第73-75页 |
| 4.1.2 膜量子蜂群的膜框架 | 第75-77页 |
| 4.2 基于多目标膜量子蜂群算法的多目标频谱分配 | 第77-79页 |
| 4.2.1 多目标频谱分配模型 | 第77页 |
| 4.2.2 基于膜量子蜂群算法的多目标频谱分配 | 第77-79页 |
| 4.3 仿真结果分析 | 第79-83页 |
| 4.4 本章小结 | 第83-84页 |
| 第5章 绿色认知无线电的参数调整方法 | 第84-99页 |
| 5.1 绿色认知无线电参数调整模型 | 第84-86页 |
| 5.2 量子细菌觅食算法 | 第86-89页 |
| 5.3 量子细菌觅食算法的收敛性分析 | 第89-90页 |
| 5.4 基于量子细菌觅食算法的绿色认知无线电参数调整 | 第90-91页 |
| 5.5 仿真结果分析 | 第91-98页 |
| 5.5.1 量子细菌觅食算法性能测试 | 第91-93页 |
| 5.5.2 基于量子细菌觅食算法的参数调整方法仿真 | 第93-98页 |
| 5.6 本章小结 | 第98-99页 |
| 结论 | 第99-101页 |
| 参考文献 | 第101-110页 |
| 攻读学位期间发表的学术论文 | 第110-112页 |
| 致谢 | 第112页 |
