摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第一章 绪论 | 第17-26页 |
1.1 课题研究背景及意义 | 第17-18页 |
1.2 认知无线电技术概述 | 第18-21页 |
1.2.1 认知无线电的定义及特点 | 第18-19页 |
1.2.2 认知循环模型 | 第19-21页 |
1.3 智能决策引擎技术概述 | 第21-24页 |
1.3.1 认知引擎 | 第21-23页 |
1.3.2 智能决策引擎的功能模块 | 第23-24页 |
1.3.3 智能决策引擎面临的挑战 | 第24页 |
1.4 主要研究内容及结构安排 | 第24-25页 |
1.5 本章小结 | 第25-26页 |
第二章 资源分配算法和智能决策算法研究 | 第26-38页 |
2.1 智能决策引擎模型 | 第26页 |
2.2 资源分配准则 | 第26-28页 |
2.3 智能决策算法 | 第28-37页 |
2.3.1 优化算法 | 第28-34页 |
2.3.2 学习算法 | 第34-37页 |
2.4 本章小结 | 第37-38页 |
第三章 基于发射功率最小化的OFDM系统资源分配研究 | 第38-60页 |
3.1 信道模型 | 第38-39页 |
3.2 基于最小化总发射功率的资源分配算法 | 第39-41页 |
3.2.1 系统模型 | 第39页 |
3.2.2 优化问题 | 第39-41页 |
3.3 基于贪婪注水算法的子载波和功率分配 | 第41-44页 |
3.3.1 单用户贪婪注水算法基本原理 | 第41-42页 |
3.3.2 多用户贪婪注水算法基本原理 | 第42-44页 |
3.4 基于改进遗传算法的子载波和功率分配算法 | 第44-47页 |
3.4.1 染色体设计 | 第45页 |
3.4.2 目标函数设计 | 第45页 |
3.4.3 改进遗传算法的原理 | 第45-46页 |
3.4.4 改进遗传算法流程 | 第46-47页 |
3.5 仿真性能分析比较 | 第47-59页 |
3.5.1 仿真系统模型 | 第47页 |
3.5.2 遗传算法参数选择及性能对比 | 第47-52页 |
3.5.3 算法仿真性能对比分析 | 第52-57页 |
3.5.4 算法复杂度对比分析 | 第57-59页 |
3.6 本章小结 | 第59-60页 |
第四章 基于容量最大化的OFDM系统资源分配研究 | 第60-80页 |
4.1 基于最大化系统容量为目标的资源分配算法 | 第60-62页 |
4.1.1 系统模型 | 第60页 |
4.1.2 优化问题 | 第60-62页 |
4.2 传统的子信道和功率分配算法 | 第62-67页 |
4.2.1 最优的子信道和功率分配算法 | 第62-63页 |
4.2.2 次优的子信道和功率分配算法 | 第63-67页 |
4.3 基于遗传算法的子信道和功率分配算法 | 第67-70页 |
4.3.1 染色体设计 | 第67-68页 |
4.3.2 目标函数设计 | 第68页 |
4.3.3 约束条件设计 | 第68-69页 |
4.3.4 评价函数设计及归一化 | 第69-70页 |
4.4 仿真性能分析比较 | 第70-78页 |
4.4.1 仿真系统模型 | 第70页 |
4.4.2 仿真参数选择及性能对比 | 第70-72页 |
4.4.3 算法仿真性能对比 | 第72-76页 |
4.4.4 复杂度分析 | 第76-77页 |
4.4.5 几种算法的综合对比 | 第77-78页 |
4.5 本章小结 | 第78-80页 |
第五章 基于遗传算法和案例推理的OFDM系统智能决策引擎研究 | 第80-98页 |
5.1 OFDM系统的智能决策引擎系统框架 | 第80-81页 |
5.2 OFDM系统智能决策引擎关键模块设计 | 第81-91页 |
5.2.1 智能决策引擎优化模块设计 | 第81-85页 |
5.2.2 智能决策引擎学习模块设计 | 第85-91页 |
5.3 基于遗传算法和案例推理的OFDM系统智能决策引擎 | 第91-97页 |
5.3.1 基于遗传算法的优化模块和基于案例推理的学习模块 | 第91-92页 |
5.3.2 实例设计 | 第92-97页 |
5.4 本章小结 | 第97-98页 |
第六章 全文总结及展望 | 第98-100页 |
6.1 本文主要贡献 | 第98-99页 |
6.2 研究展望 | 第99-100页 |
致谢 | 第100-101页 |
参考文献 | 第101-106页 |
个人简历 | 第106-107页 |
攻读硕士学位期间的研究成果 | 第107-108页 |
学位论文评审后修改说明表 | 第108-109页 |