LTE与WLAN融合下的投诉预警问题研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.1.1 课题研究背景 | 第10-11页 |
| 1.1.2 课题研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-19页 |
| 1.2.1 客户投诉研究现状 | 第11-14页 |
| 1.2.2 无线通信网络研究现状 | 第14-18页 |
| 1.2.3 预测算法研究现状 | 第18-19页 |
| 1.3 本文工作 | 第19-21页 |
| 1.3.1 主要研究内容 | 第19-20页 |
| 1.3.2 主要研究方法 | 第20页 |
| 1.3.3 主要创新点 | 第20-21页 |
| 1.4 论文组织结构 | 第21-22页 |
| 第二章 投诉预警相关通信基础理论 | 第22-32页 |
| 2.1 LTE网络知识 | 第22-26页 |
| 2.1.1 LTE网络结构 | 第22-23页 |
| 2.1.2 LTE网络指标 | 第23-26页 |
| 2.2 WLAN网络知识 | 第26-30页 |
| 2.2.1 WLAN网络架构 | 第26-28页 |
| 2.2.2 WLAN网络指标 | 第28-30页 |
| 2.3 通信客户投诉机制 | 第30-32页 |
| 第三章 投诉预警研究中的机器学习算法 | 第32-40页 |
| 3.1 K近邻算法 | 第32-33页 |
| 3.2 主成分分析法 | 第33-35页 |
| 3.3 BP神经网络算法 | 第35-37页 |
| 3.4 AdaBoost算法 | 第37-40页 |
| 第四章 LTE网络环境下的投诉预警研究 | 第40-52页 |
| 4.1 LTE网络投诉预警问题定义 | 第40-41页 |
| 4.2 LTE网络投诉预警模型设计 | 第41-47页 |
| 4.2.1 总体模型设计 | 第41-42页 |
| 4.2.2 投诉关联模块 | 第42页 |
| 4.2.3 样本筛选模块 | 第42-44页 |
| 4.2.4 投诉预测模块 | 第44-47页 |
| 4.3 LTE网络投诉预警模型实验 | 第47-50页 |
| 4.3.1 实验环境 | 第47页 |
| 4.3.2 模型预测精度对比 | 第47-50页 |
| 4.4 本章小结 | 第50-52页 |
| 4.4.1 网络KPI指标与投诉关联 | 第50页 |
| 4.4.2 基于邻域理论的样本自动筛选算法 | 第50-51页 |
| 4.4.3 投诉预警模型预测精度提高 | 第51-52页 |
| 第五章 WLAN网络环境下的投诉预警研究 | 第52-60页 |
| 5.1 WLAN网络投诉预警问题定义 | 第52页 |
| 5.2 WLAN网络投诉预警模型设计 | 第52-56页 |
| 5.2.1 总体模型设计 | 第52-53页 |
| 5.2.2 WLAN网络投诉关联模块 | 第53页 |
| 5.2.3 样本筛选模块 | 第53-54页 |
| 5.2.4 投诉预测模块 | 第54-56页 |
| 5.3 WLAN网络投诉预警模型实验 | 第56-59页 |
| 5.3.1 实验环境 | 第56页 |
| 5.3.2 模型预测精度对比 | 第56-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文总结 | 第60-61页 |
| 6.2 研究展望 | 第61-62页 |
| 参考文献 | 第62-70页 |
| 附录一 论文使用的缩写说明 | 第70-71页 |
| 致谢 | 第71-72页 |
| 作者攻读硕士学位期间发表的学术论文目录 | 第72页 |
