| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 认知无线电技术的发展现状 | 第12-13页 |
| 1.2.2 频谱预测技术的发展现状 | 第13-14页 |
| 1.3 论文的主要研究内容 | 第14-15页 |
| 1.4 论文的主要工作组织结构 | 第15-17页 |
| 第二章 传统预测技术在ISM频段的运用 | 第17-31页 |
| 2.1 基于隐马尔科夫模型的频谱占用预测 | 第17-19页 |
| 2.1.1 隐马尔可夫模型 | 第17-18页 |
| 2.1.2 隐马尔可夫模型在频谱预测上运用 | 第18-19页 |
| 2.2 基于神经网络的频谱占用预测 | 第19-22页 |
| 2.2.1 前向传播算法 | 第19-20页 |
| 2.2.2 反向传播算法 | 第20-22页 |
| 2.3 基于支持向量机的频谱占用预测 | 第22-25页 |
| 2.3.1 支持向量机 | 第22-25页 |
| 2.3.2 支持向量机在频谱预测上的运用 | 第25页 |
| 2.4 各类算法的预测仿真结果分析 | 第25-28页 |
| 2.4.1 基于隐马尔可夫模型的预测仿真结果分析 | 第25-26页 |
| 2.4.2 基于神经网络模型的预测仿真结果分析 | 第26-27页 |
| 2.4.3 基于支持向量机的预测仿真结果分析 | 第27-28页 |
| 2.5 本章小结 | 第28-31页 |
| 第三章 基于集成强化学习的信道占用预测 | 第31-51页 |
| 3.1 基于强化学习的频谱占用预测 | 第31-38页 |
| 3.1.1 强化学习 | 第31-33页 |
| 3.1.2 强化学习在无线频谱预测上的使用 | 第33-35页 |
| 3.1.3 训练与测试使用的数据集说明 | 第35-37页 |
| 3.1.4 预测结果分析 | 第37-38页 |
| 3.2 基于集成学习的频谱占用预测 | 第38-44页 |
| 3.2.1 集成学习 | 第38-40页 |
| 3.2.2 集成学习在频谱预测上的运用 | 第40-42页 |
| 3.2.3 预测结果分析 | 第42-44页 |
| 3.3 基于集成强化学习的频谱占用预测 | 第44-49页 |
| 3.3.1 集成强化学习算法 | 第45-48页 |
| 3.3.2 集成强化学习算法的仿真结果和性能分析 | 第48-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第四章 结合WiFi特征的信道占用预测 | 第51-85页 |
| 4.1 依据自相似性建立的WiFi模型 | 第51-63页 |
| 4.1.1 WiFi数据的自相似特性分析 | 第52-55页 |
| 4.1.2 Pareto模型 | 第55-59页 |
| 4.1.3 基于Pareto模型信道占用预测算法 | 第59-63页 |
| 4.2 基于WiFi频谱特征的分类模型建立 | 第63-78页 |
| 4.2.1 信道利用率对预测准确率的影响 | 第63-66页 |
| 4.2.2 信道的波动状态对预测准确率的影响 | 第66-72页 |
| 4.2.3 频谱的自相关性对于预测准确率的影响 | 第72-78页 |
| 4.3 基于WiFi频谱特征的分类预测算法和结果分析 | 第78-82页 |
| 4.3.1 WiFi的信道状态的分类标准建立和预测算法 | 第78-80页 |
| 4.3.2 仿真结果分析 | 第80-82页 |
| 4.4 本章小结 | 第82-85页 |
| 第五章 总结与展望 | 第85-87页 |
| 5.1 全文工作总结 | 第85-86页 |
| 5.2 下一步的工作 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-93页 |
| 攻读学位期间取得的研究成果 | 第93页 |