| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 缩略语 | 第9-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和选题意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 选题意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文主要工作 | 第13-14页 |
| 1.4 论文章节安排 | 第14-17页 |
| 第二章 认知LTE网络与机器学习 | 第17-29页 |
| 2.1 LTE网络发展历程 | 第17页 |
| 2.2 LTE网络架构 | 第17-24页 |
| 2.2.1 LTE网络中的接口 | 第18-21页 |
| 2.2.2 S1-U接口 | 第21-22页 |
| 2.2.3 LTE网络协议 | 第22-24页 |
| 2.3 机器学习 | 第24-29页 |
| 2.3.1 机器学习的发展与现状 | 第24-25页 |
| 2.3.2 机器学习原理 | 第25-29页 |
| 第三章 LTE网络数据面自动化故障诊断系统 | 第29-57页 |
| 3.1 概述 | 第29-30页 |
| 3.2 朴素贝叶斯理论 | 第30-34页 |
| 3.2.1 机器学习中的分类问题 | 第30-31页 |
| 3.2.2 朴素贝叶斯分类器 | 第31-34页 |
| 3.3 故障诊断系统模型 | 第34-37页 |
| 3.3.1 故障原因分类 | 第34-36页 |
| 3.3.2 关键性能指标分析 | 第36-37页 |
| 3.4 离散化 | 第37-54页 |
| 3.4.1 离散的本质 | 第37-38页 |
| 3.4.2 离散化的意义 | 第38-40页 |
| 3.4.3 离散化的重要因素 | 第40-42页 |
| 3.4.4 离散化算法 | 第42-54页 |
| 3.5 自动化故障诊断 | 第54-57页 |
| 第四章 LTE网络天线电子倾角自优化算法的研究 | 第57-81页 |
| 4.1 自优化网络 | 第57-59页 |
| 4.2 天线角概述 | 第59-63页 |
| 4.2.1 电子下倾角 | 第60页 |
| 4.2.2 机械下倾角 | 第60-61页 |
| 4.2.3 电子下倾角与机械下倾角对比 | 第61-63页 |
| 4.3 自优化算法 | 第63-75页 |
| 4.3.1 遗传算法 | 第63-64页 |
| 4.3.2 粒子群算法 | 第64-66页 |
| 4.3.3 Case-Based Reasoning算法 | 第66-68页 |
| 4.3.4 天线倾角自优化算法设计 | 第68-75页 |
| 4.4 仿真与分析 | 第75-81页 |
| 第五章 总结与展望 | 第81-83页 |
| 5.1 总结 | 第81-82页 |
| 5.2 展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-88页 |
| 攻读学位期间发表或已录用的学术论文 | 第88页 |