| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 引言 | 第13-14页 |
| 1.2 论文研究背景 | 第14-18页 |
| 1.2.1 信道质量反馈延时问题研究现状 | 第15-17页 |
| 1.2.2 机器学习在无线通信中的应用 | 第17-18页 |
| 1.3 本文研究内容和主要工作 | 第18页 |
| 1.4 论文结构安排 | 第18-21页 |
| 第2章 相关基础知识 | 第21-37页 |
| 2.1 引言 | 第21页 |
| 2.2 下行自适应链路 | 第21-27页 |
| 2.2.1 下行自适应传输技术 | 第21-26页 |
| 2.2.2 信道质量反馈延时对SINR准确性的影响 | 第26-27页 |
| 2.3 机器学习理论 | 第27-36页 |
| 2.3.1 人工神经网络 | 第28-34页 |
| 2.3.2 神经网络训练 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第3章 参数不变EPA信道下SINR预测方法研究 | 第37-53页 |
| 3.1 引言 | 第37页 |
| 3.2 SINR序列分析 | 第37-46页 |
| 3.2.1 信道衰落模型建模 | 第38-42页 |
| 3.2.2 SINR序列的相关性分析 | 第42-46页 |
| 3.3 基于FNN的SINR预测模型设计 | 第46-49页 |
| 3.3.1 预测问题的数学描述 | 第46-47页 |
| 3.3.2 网络结构设计 | 第47-49页 |
| 3.3.3 算法改进 | 第49页 |
| 3.4 仿真结果与分析 | 第49-52页 |
| 3.4.1 传统时间序列预测方法 | 第49-51页 |
| 3.4.2 预测准确性对比 | 第51页 |
| 3.4.3 计算复杂度分析 | 第51-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 参数时变EPA信道下SINR预测方法研究 | 第53-65页 |
| 4.1 引言 | 第53页 |
| 4.2 参数时变信道下SINR序列分析 | 第53-57页 |
| 4.2.1 参数时变EPA信道模型 | 第53-54页 |
| 4.2.2 不同终端移速对SINR准确性的影响 | 第54-56页 |
| 4.2.3 SINR序列相关性分析 | 第56-57页 |
| 4.2.4 FNN在参数时变信道场景下的局限性 | 第57页 |
| 4.3 基于LSTM、FNN的SINR预测模型设计 | 第57-62页 |
| 4.3.1 LSTM-FNN结构设计 | 第58-61页 |
| 4.3.2 迭代训练算法 | 第61-62页 |
| 4.4 仿真结果与分析 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 总结和展望 | 第65-67页 |
| 5.1 工作总结 | 第65-66页 |
| 5.2 未来展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 攻读硕士学位期间发表的论文和研究成果 | 第73页 |