认知无线网络中基于人工智能算法的流量预测和数据传输机制研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 认知无线网络概述 | 第10-17页 |
| 1.2.1 认知网络定义 | 第10-13页 |
| 1.2.2 认知无线网络的研究内容及现状 | 第13-17页 |
| 1.3 本文主要工作及组织结构 | 第17-19页 |
| 第2章 基于人工智能算法的流量预测和数据传输问题 | 第19-29页 |
| 2.1 引言 | 第19-20页 |
| 2.2 流量预测中的主要方法 | 第20-24页 |
| 2.2.1 人工神经网络 | 第20-22页 |
| 2.2.2 支持向量机 | 第22-23页 |
| 2.2.3 自回归滑动平均模型 | 第23-24页 |
| 2.2.4 逻辑回归法 | 第24页 |
| 2.3 数据传输调度中的决策方法 | 第24-28页 |
| 2.3.1 动态规划 | 第24-25页 |
| 2.3.2 策略迭代法 | 第25-26页 |
| 2.3.3 Q学习法 | 第26-27页 |
| 2.3.4 W学习法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于深度学习的多信道流量预测机制 | 第29-45页 |
| 3.1 引言 | 第29-30页 |
| 3.2 网络流量预测框架 | 第30-31页 |
| 3.3 基于AG-SAEs的预测方法 | 第31-37页 |
| 3.3.1 AG-SAEs预测模型 | 第31页 |
| 3.3.2 自适应分组算法 | 第31-32页 |
| 3.3.3 栈式自编码模型 | 第32-34页 |
| 3.3.4 基于LBFGS的参数优化方法 | 第34-35页 |
| 3.3.5 算法步骤与复杂度分析 | 第35-37页 |
| 3.4 仿真分析 | 第37-44页 |
| 3.4.1 数据预处理 | 第37-38页 |
| 3.4.2 预测性能指标 | 第38-39页 |
| 3.4.3 参数优化算法对比 | 第39-40页 |
| 3.4.4 模型结构分析 | 第40-42页 |
| 3.4.5 预测算法对比 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于深度Q学习的数据传输方案 | 第45-60页 |
| 4.1 引言 | 第45-46页 |
| 4.2 系统模型 | 第46-48页 |
| 4.2.1 信道状态 | 第46-47页 |
| 4.2.2 缓存器状态 | 第47页 |
| 4.2.3 发送功率 | 第47-48页 |
| 4.3 传输调度的MDP分析 | 第48-49页 |
| 4.3.1 系统状态转移 | 第48页 |
| 4.3.2 收益和代价 | 第48-49页 |
| 4.4 基于深度Q学习的最优行为获取 | 第49-53页 |
| 4.4.1 Q学习算法 | 第50-52页 |
| 4.4.2 深度行为映射网络 | 第52-53页 |
| 4.5 算法描述与比较 | 第53-55页 |
| 4.5.1 算法描述 | 第53-54页 |
| 4.5.2 算法比较 | 第54-55页 |
| 4.6 仿真分析 | 第55-59页 |
| 4.7 本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 论文总结 | 第60-61页 |
| 5.2 研究展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第69页 |
