认知无线网络离线学习技术研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-19页 |
| ·论文研究背景与意义 | 第11-13页 |
| ·认知无线电智能学习技术面临的挑战 | 第12-13页 |
| ·认知无线电智能学习所需解决的关键问题 | 第13页 |
| ·研究现状 | 第13-15页 |
| ·国外研究现状 | 第14-15页 |
| ·国内研究现状 | 第15页 |
| ·论文研究内容 | 第15-17页 |
| ·解决的关键问题 | 第16页 |
| ·主要研究内容 | 第16-17页 |
| ·论文结构与组织安排 | 第17-19页 |
| 2 CR 智能学习技术相关研究 | 第19-26页 |
| ·认知循环 | 第19-22页 |
| ·认知引擎模型 | 第22-23页 |
| ·智能学习推理技术应用分析 | 第23-25页 |
| ·知识表示技术 | 第23-24页 |
| ·机器推理、学习技术 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 基于 DUGA 的 CR 参数优化引擎设计 | 第26-36页 |
| ·引言 | 第26-27页 |
| ·多目标参数优化引擎设计 | 第27-29页 |
| ·多目标适应度函数 | 第27-28页 |
| ·发送功率适应度函数 | 第28页 |
| ·信道容量适应度函数 | 第28-29页 |
| ·信道间干扰适应度函数 | 第29页 |
| ·DUGA 实现流程 | 第29-32页 |
| ·测试函数 | 第30-31页 |
| ·DUGA 性能分析 | 第31-32页 |
| ·NS2 仿真及其分析 | 第32-35页 |
| ·最大化吞吐量 | 第33-34页 |
| ·最小化发送功率 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 4 用 RBF 神经网络设计 CR 认知引擎 | 第36-50页 |
| ·引言 | 第36-37页 |
| ·RBF 神经网络 | 第37页 |
| ·RBF 神经网络学习推理模型实现 | 第37-41页 |
| ·样本数据 | 第38-39页 |
| ·RBF 神经网络拓扑结构确定 | 第39页 |
| ·NN 训练、测试与模型库的建立 | 第39-40页 |
| ·参数重配置模型 | 第40页 |
| ·模型算法实现 | 第40-41页 |
| ·仿真场景建立、数据预处理 | 第41-42页 |
| ·场景建立 | 第41-42页 |
| ·数据预处理 | 第42页 |
| ·CR 认知引擎性能评估 | 第42-49页 |
| ·RBF 网络初始化 | 第42-43页 |
| ·模型仿真与分析 | 第43-46页 |
| ·参数重配置仿真 | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 5 基于 RS 和 GA 的 CR 认知引擎设计 | 第50-70页 |
| ·引言 | 第50-51页 |
| ·系统模型设计 | 第51-57页 |
| ·基于 RS-RBF 的 CR 学习推理模型 | 第51-52页 |
| ·基于 GA-RBF 的 CR 学习推理模型 | 第52-53页 |
| ·样本数据 | 第53页 |
| ·网络拓扑结构确定 | 第53-54页 |
| ·参数重配置 | 第54页 |
| ·模型算法实现流程 | 第54-57页 |
| ·RS-RBF 学习模型的仿真与分析 | 第57-61页 |
| ·粗糙集数据离散和属性约简 | 第57页 |
| ·网络初始化 | 第57页 |
| ·网络仿真与分析 | 第57-59页 |
| ·参数重配置仿真 | 第59-61页 |
| ·GA-RBF 学习模型的仿真与分析 | 第61-69页 |
| ·网络测试评估函数 | 第61-62页 |
| ·GA 适应度函数 | 第62页 |
| ·网络拓扑结构初始化 | 第62-63页 |
| ·性能仿真与分析 | 第63-67页 |
| ·参数重配置回归分析 | 第67-69页 |
| ·本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第78页 |
