摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
主要符号表 | 第17-18页 |
缩略语对照表 | 第18-20页 |
1 绪论 | 第20-30页 |
1.1 论文的研究背景与意义 | 第20-21页 |
1.2 国内外研究现状 | 第21-27页 |
1.2.1 蜂窝移动网络中资源分配的研究现状 | 第22-24页 |
1.2.2 车联网中资源分配的研究现状 | 第24-25页 |
1.2.3 移动社交网络中资源分配的研究现状 | 第25-27页 |
1.3 论文的研究内容与结构安排 | 第27-30页 |
2 多维资源融合的无线网络体系架构及深度强化学习方法 | 第30-45页 |
2.1 多维资源融合的无线网络的若干关键技术 | 第30-31页 |
2.2 多维资源融合无线网络的体系架构 | 第31-37页 |
2.2.1 通信和缓存融合的体系架构 | 第31-33页 |
2.2.2 通信和计算融合的体系架构 | 第33-36页 |
2.2.3 通信、缓存与计算融合的体系架构 | 第36-37页 |
2.3 深度强化学习 | 第37-43页 |
2.3.1 强化学习 | 第37-39页 |
2.3.2 Q学习算法 | 第39-40页 |
2.3.3 深度Q学习算法 | 第40-43页 |
2.3.4 TensorFlow | 第43页 |
2.4 深度强化学习在无线网络中的应用 | 第43-44页 |
2.5 本章小结 | 第44-45页 |
3 基于深度强化学习的机会干扰对齐网络资源分配研究 | 第45-63页 |
3.1 引言 | 第45-46页 |
3.2 系统模型 | 第46-50页 |
3.2.1 干扰对齐技术 | 第46-48页 |
3.2.2 时变的干扰对齐信道 | 第48-49页 |
3.2.3 干扰对齐的解 | 第49-50页 |
3.3 基于深度强化学习的机会干扰对齐网络资源分配 | 第50-52页 |
3.4 非理想CSI的影响 | 第52-53页 |
3.5 仿真结果与分析 | 第53-62页 |
3.5.1 仿真设置及对比方案说明 | 第53-55页 |
3.5.2 仿真结果与分析 | 第55-62页 |
3.6 本章小结 | 第62-63页 |
4 基于深度强化学习的未来车联网多维资源联合优化研究 | 第63-84页 |
4.1 引言 | 第63-64页 |
4.2 通信、缓存和计算资源融合的车联网架构 | 第64-67页 |
4.2.1 架构概述 | 第64-67页 |
4.2.2 通信、缓存和计算资源的融合机制 | 第67页 |
4.3 系统模型 | 第67-72页 |
4.3.1 网络模型 | 第67-69页 |
4.3.2 通信模型 | 第69-70页 |
4.3.3 计算模型 | 第70-71页 |
4.3.4 缓存模型 | 第71-72页 |
4.4 基于深度强化学习的联合资源优化方案 | 第72-75页 |
4.5 仿真结果与讨论 | 第75-83页 |
4.5.1 仿真设置及对比方案说明 | 第75-77页 |
4.5.2 仿真结果 | 第77-83页 |
4.6 本章小结 | 第83-84页 |
5 基于深度强化学习的未来移动社交网联合资源优化研究 | 第84-105页 |
5.1 引言 | 第84-85页 |
5.2 未来移动社交网络概述 | 第85-86页 |
5.2.1 D2D通信、移动边缘计算和缓存资源融合的移动社交网络 | 第85-86页 |
5.2.2 社交信任 | 第86页 |
5.3 社交信任模型 | 第86-91页 |
5.3.1 直接观察的信任值评估 | 第87-89页 |
5.3.2 间接观察的信任值评估 | 第89-91页 |
5.4 系统模型 | 第91-94页 |
5.4.1 网络模型 | 第91-92页 |
5.4.2 通信模型 | 第92-93页 |
5.4.3 计算模型 | 第93-94页 |
5.5 基于深度强化学习的多维资源联合优化 | 第94-97页 |
5.6 仿真结果与讨论 | 第97-104页 |
5.6.1 仿真设置及对比方案分析 | 第97-99页 |
5.6.2 仿真结果 | 第99-104页 |
5.7 本章小结 | 第104-105页 |
6 结论与展望 | 第105-108页 |
6.1 结论 | 第105-106页 |
6.2 创新点摘要 | 第106-107页 |
6.3 展望 | 第107-108页 |
参考文献 | 第108-117页 |
攻读博士学位期间发表的学术论文和参与的科研项目 | 第117-119页 |
致谢 | 第119页 |