| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 课题研究的背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 文章结构安排 | 第15-16页 |
| 第二章 C-RAN及神经网络基础概述 | 第16-26页 |
| 2.1 C-RAN网络基础 | 第16-19页 |
| 2.1.1 C-RAN网络架构 | 第16-17页 |
| 2.1.2 LTE物理层概念 | 第17-19页 |
| 2.2 人工神经网络 | 第19-24页 |
| 2.2.1 神经网络结构 | 第20-21页 |
| 2.2.2 梯度下降法 | 第21-23页 |
| 2.2.3 反向传播算法 | 第23-24页 |
| 2.3 小结 | 第24-26页 |
| 第三章 基于C-RAN的用户上行SINR预测 | 第26-34页 |
| 3.1 基于C-RAN和神经网络算法的用户上行SINR预测 | 第26-29页 |
| 3.1.1 干扰分析 | 第26-27页 |
| 3.1.2 SINR的数学建模 | 第27-28页 |
| 3.1.3 在基于神经网络算法的SINR预测 | 第28-29页 |
| 3.2 用户上行SINR预测仿真结果分析 | 第29-33页 |
| 3.2.1 仿真场景介绍 | 第29-31页 |
| 3.2.2 实验结果分析 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 用户上行SINR预测的收敛加速策略 | 第34-54页 |
| 4.1 数据特征分析 | 第34-38页 |
| 4.1.1 单用户干扰场景下的上行SINR预测 | 第34-36页 |
| 4.1.2 单个特征的样本量需求 | 第36-38页 |
| 4.2 干扰预测不准确用户元组的筛选方案 | 第38-44页 |
| 4.2.1 筛选方案介绍 | 第38-40页 |
| 4.2.2 算法仿真结果 | 第40-44页 |
| 4.3 以加速上行SINR预测为目标的用户调度策略 | 第44-53页 |
| 4.3.1 调度目标分析 | 第44-45页 |
| 4.3.2 调度策略介绍 | 第45-49页 |
| 4.3.3 算法仿真完整流程 | 第49-51页 |
| 4.3.4 仿真结果分析 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 仿真平台 | 第54-66页 |
| 5.1 仿真平台整体设计 | 第54-55页 |
| 5.2 仿真平台软件架构 | 第55-64页 |
| 5.2.1 仿真控制模块 | 第55页 |
| 5.2.2 帧控制模块 | 第55-56页 |
| 5.2.3 网络节点模块 | 第56-60页 |
| 5.2.4 调度算算法模块 | 第60页 |
| 5.2.5 HARQ模块 | 第60-61页 |
| 5.2.6 数据存储模块 | 第61-63页 |
| 5.2.7 机器学习模块 | 第63-64页 |
| 5.3 仿真运行与结果 | 第64页 |
| 5.4 本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 工作总结 | 第66页 |
| 6.2 工作展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 攻读学位期间取得的研究成果 | 第74页 |