| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 论文的研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文主要工作及章节安排 | 第14-16页 |
| 第2章 IEEE802.11 MAC接入控制与深度强化学习介绍 | 第16-34页 |
| 2.1 802.11 ad标准MAC层的波束训练机制 | 第16-19页 |
| 2.1.1 802.11 ad的信标间隔 | 第16-17页 |
| 2.1.2 802.11 ad的波束训练流程 | 第17-19页 |
| 2.2 IEEE802.11 DCF工作方式简介 | 第19-23页 |
| 2.2.1 帧间间隔 | 第19-21页 |
| 2.2.2 退避机制 | 第21-23页 |
| 2.3 基于竞争的信道接入性能分析 | 第23-25页 |
| 2.4 主要性能指标 | 第25-26页 |
| 2.4.1 吞吐量 | 第26页 |
| 2.4.2 平均传输时延 | 第26页 |
| 2.4.3 丢包率 | 第26页 |
| 2.5 基于竞争的信道接入仿真分析 | 第26-27页 |
| 2.6 深度学习 | 第27-30页 |
| 2.6.1 深度神经网络 | 第28页 |
| 2.6.2 深度学习的基本单元 | 第28-30页 |
| 2.7 深度学习与强化学习的关系 | 第30-31页 |
| 2.8 强化学习相关研究背景 | 第31-32页 |
| 2.9 本章小结 | 第32-34页 |
| 第3章 基于AI的信道接入方案 | 第34-48页 |
| 3.1 基于深度强化学习信道接入的基本思想 | 第34-37页 |
| 3.1.1 现行信道接入机制的缺陷 | 第34-35页 |
| 3.1.2 基于AI的信道接入基本框架 | 第35-37页 |
| 3.2 构建神经网络与强化学习算法 | 第37-47页 |
| 3.2.1 使用Tensorflow框架构建策略网络 | 第37-40页 |
| 3.2.2 模型建立 | 第40-41页 |
| 3.2.3 算法仿真 | 第41-43页 |
| 3.2.4 改进方案及仿真分析 | 第43-47页 |
| 3.3 本章小结 | 第47-48页 |
| 第4章 基于AI的802.11ay多信道接入方案 | 第48-62页 |
| 4.1802.11 ay信道接入和多信道分配机制 | 第48-49页 |
| 4.2 多AP多STA场景的设计 | 第49-54页 |
| 4.2.1802.11 ay多 AP多 STA网络模型 | 第49-50页 |
| 4.2.2 多AP多STA网络的波束训练机制 | 第50-52页 |
| 4.2.3 多AP多STA网络的优势 | 第52-54页 |
| 4.3 基于AI的802.11ay多信道接入 | 第54-61页 |
| 4.3.1 多信道接入的基本思想 | 第54-56页 |
| 4.3.2 多信道接入的神经网络与强化学习算法 | 第56-59页 |
| 4.3.3 算法仿真与结果分析 | 第59-61页 |
| 4.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第68页 |
