| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 超密集异构网络 | 第11-15页 |
| 1.2.1 超密集异构网络产生背景及组网模型 | 第11-13页 |
| 1.2.2 超密集异构网络中的干扰及干扰协调技术 | 第13-15页 |
| 1.3 V2V车联网络 | 第15-18页 |
| 论文的结构安排 | 第18-20页 |
| 第二章 机器学习介绍 | 第20-30页 |
| 2.1 机器学习的产生与发展 | 第20-21页 |
| 2.2 机器学习中的主要研究方法 | 第21-24页 |
| 2.3 增强Q学习介绍 | 第24-29页 |
| 2.3.1 Q学习主要任务 | 第26-27页 |
| 2.3.2 Q学习收敛性的证明 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 超密集异构网络中基于Q机器学习的资源分配策略 | 第30-50页 |
| 3.1 系统模型及最优化方程 | 第30-32页 |
| 3.2 分布式学习与集中式学习方案 | 第32-41页 |
| 3.2.1 分布式Q学习资源分配策略 | 第33-35页 |
| 3.2.2 集中式Q学习资源分配策略 | 第35-37页 |
| 3.2.3 仿真参数及结果分析 | 第37-41页 |
| 3.3 独立式与迁移式学习方案 | 第41-49页 |
| 3.3.1 独立式Q学习算法设计 | 第41-42页 |
| 3.3.2 迁移式Q学习算法设计 | 第42-44页 |
| 3.3.3 仿真场景及参数变化 | 第44-46页 |
| 3.3.4 仿真结果分析 | 第46-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第四章 V2V车联网络中基于Q学习的资源分配策略 | 第50-64页 |
| 4.1 传统资源分配算法 | 第51-55页 |
| 4.1.1 基于能量探测的SENSING算法 | 第51-53页 |
| 4.1.2 基于信息解码的SA DECODING算法 | 第53-55页 |
| 4.2 基于机器学习的改进SA算法 | 第55-58页 |
| 4.2.1 最佳阈值方程的推导 | 第56-57页 |
| 4.2.2 Q学习确定最优方程参数 | 第57-58页 |
| 4.3 仿真平台介绍及结果分析 | 第58-63页 |
| 4.3.1 仿真模型及仿真参数 | 第58-59页 |
| 4.3.2 仿真结果分析 | 第59-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-68页 |
| 5.1 论文工作总结 | 第64-68页 |
| 缩略语 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间研究成果 | 第77页 |