面向资源配置的认知网络智能决策研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-14页 |
| ·课题研究背景及意义 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·本文的主要研究内容及创新点 | 第10-12页 |
| ·本文解决的关键问题 | 第10-11页 |
| ·本文的创新点 | 第11-12页 |
| ·研究内容整体框架 | 第12页 |
| ·论文组织结构 | 第12-14页 |
| 第二章 相关技术知识介绍 | 第14-20页 |
| ·认知网络的智能决策 | 第14-15页 |
| ·资源配置 | 第15-16页 |
| ·聚类方法 | 第16-17页 |
| ·灰预测 | 第17页 |
| ·Q 学习算法 | 第17-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 面向资源配置的认知网络智能决策架构 | 第20-30页 |
| ·智能决策架构需求 | 第20-21页 |
| ·面向资源配置的智能决策架构 | 第21-23页 |
| ·智能决策服务器 | 第23-29页 |
| ·认知网络资源感知模块 | 第24-25页 |
| ·资源智能推理决策机 | 第25-29页 |
| ·本章小结 | 第29-30页 |
| 第四章 基于改进灰预测模型的认知业务流预测 | 第30-46页 |
| ·认知业务流 | 第30-33页 |
| ·定义 | 第30-31页 |
| ·数学描述 | 第31页 |
| ·认知业务流的参数 | 第31-33页 |
| ·认知业务流的预处理 | 第33-36页 |
| ·矢量量化原理 | 第33-34页 |
| ·矢量量化器 | 第34页 |
| ·认知业务流的矢量量化 | 第34-35页 |
| ·认知业务流矢量的聚类 | 第35-36页 |
| ·基于改进 GM(1,1)模型的认知业务流预测 | 第36-41页 |
| ·认知业务流预测的基本原理 | 第36-37页 |
| ·GM(1,1)模型建立 | 第37-38页 |
| ·基于 GM(1,1)模型的认知业务流预测 | 第38-39页 |
| ·基于 IGM(1,1)模型的认知业务流预测 | 第39-40页 |
| ·精度检验公式 | 第40-41页 |
| ·仿真实验及分析 | 第41-45页 |
| ·仿真环境及参数设置 | 第41-42页 |
| ·预测结果 | 第42-43页 |
| ·精确性验证 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 基于业务流预测的认知网络资源智能配置策略 | 第46-63页 |
| ·有效带宽的理论 | 第46-47页 |
| ·基于认知业务流预测的动态资源配置 | 第47-49页 |
| ·CSFP-DRA 的实现 | 第48-49页 |
| ·CSFP-DRA 参数的门限设定 | 第49页 |
| ·基于 Q 学习算法的认知网络反馈机制 | 第49-54页 |
| ·Q 学习反馈机制的实现 | 第50-52页 |
| ·基于认知网络模型的反馈策略 | 第52-53页 |
| ·CSFP-DRSA 算法流程 | 第53-54页 |
| ·仿真实验及分析 | 第54-61页 |
| ·仿真环境及参数设置 | 第54-56页 |
| ·影响业务性能指标 | 第56页 |
| ·用户满意度 | 第56-57页 |
| ·全网性能 | 第57-59页 |
| ·算法性能 | 第59-61页 |
| ·本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| ·总结 | 第63-64页 |
| ·展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 附录 1 攻读硕士学位期间撰写的论文 | 第68-69页 |
| 附录 2 攻读硕士学位期间申请的专利 | 第69-70页 |
| 附录 3 攻读硕士学位期间参加的科研项目 | 第70-71页 |
| 致谢 | 第71页 |
