| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 文章主要内容 | 第14-15页 |
| 1.4 文章组织结构 | 第15-17页 |
| 第二章 D2D通信技术及机器学习技术研究 | 第17-27页 |
| 2.1 D2D通信与功率控制技术 | 第17-22页 |
| 2.1.1 D2D通信技术概述 | 第17-18页 |
| 2.1.2 D2D通信干扰分析 | 第18-20页 |
| 2.1.3 D2D通信功率控制技术研究 | 第20-22页 |
| 2.2 机器学习技术 | 第22-26页 |
| 2.2.1 强化学习 | 第22-24页 |
| 2.2.2 监督学习 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于强化学习的D2D功率控制 | 第27-45页 |
| 3.1 系统模型 | 第27-29页 |
| 3.2 Q学习算法 | 第29-31页 |
| 3.2.1 Q学习算法概述 | 第29-30页 |
| 3.2.2 多智能体Q学习算法 | 第30-31页 |
| 3.3 基于分布式的Q学习D2D功率控制算法 | 第31-35页 |
| 3.3.1 算法介绍及流程 | 第32-33页 |
| 3.3.2 结果分析 | 第33-35页 |
| 3.4 基于动态动作集合改进分布式Q学习D2D功率控制算法 | 第35-41页 |
| 3.4.1 算法介绍及流程 | 第35-38页 |
| 3.4.2 结果分析 | 第38-41页 |
| 3.5 基于Docitive学习思想改进分布式Q学习D2D功率控制算法 | 第41-44页 |
| 3.5.1 Docitive Q学习及kd树算法 | 第41-42页 |
| 3.5.2 应用场景及算法流程 | 第42-43页 |
| 3.5.3 仿真及结果分析 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于监督学习的D2D功率控制 | 第45-56页 |
| 4.1 系统模型 | 第45-46页 |
| 4.2 决策树在D2D功率控制中的应用 | 第46-49页 |
| 4.2.1 决策树算法 | 第46-47页 |
| 4.2.2 基于决策树的D2D功率控制算法 | 第47-49页 |
| 4.3 LR+GBDT算法在D2D功率控制中的应用 | 第49-52页 |
| 4.3.1 LR算法 | 第49-50页 |
| 4.3.2 GBDT算法 | 第50-51页 |
| 4.3.3 基于GBDT+LR的D2D功率控制算法 | 第51-52页 |
| 4.4 结果分析 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 全文总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-65页 |
| 攻读硕士期间所发表的研究成果清单 | 第65页 |
