M2M通信中基于机器学习的无线资源管理的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 缩略词表 | 第13-15页 |
| 1 引言 | 第15-21页 |
| 1.1 课题背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 M2M无线资源管理研究 | 第16-17页 |
| 1.2.2 强化学习在无线资源分配中的应用 | 第17-18页 |
| 1.2.3 中继选择和功率分配研究 | 第18-19页 |
| 1.3 论文的主要内容和组织结构 | 第19-21页 |
| 2 研究背景知识介绍 | 第21-34页 |
| 2.1 M2M通信概述 | 第21-24页 |
| 2.1.1 支持M2M通信的无线通信技术 | 第21-22页 |
| 2.1.2 M2M标准化进程 | 第22-23页 |
| 2.1.3 M2M业务特征 | 第23-24页 |
| 2.1.4 M2M业务应用场景 | 第24页 |
| 2.2 强化学习 | 第24-30页 |
| 2.2.1 强化学习概述 | 第25-26页 |
| 2.2.2 强化学习的基本组成 | 第26-27页 |
| 2.2.3 强化学习的基本算法 | 第27-30页 |
| 2.3 能量收集技术概述 | 第30-33页 |
| 2.3.1 能量收集技术 | 第30-31页 |
| 2.3.2 SWIPT技术 | 第31-32页 |
| 2.3.3 能量收集技术的相关研究和应用场景 | 第32-33页 |
| 2.4 本章总结 | 第33-34页 |
| 3 基于多智能体Q学习的上行资源分配 | 第34-51页 |
| 3.1 系统模型 | 第34-38页 |
| 3.1.1 QoE指标 | 第34-36页 |
| 3.1.2 系统模型 | 第36-38页 |
| 3.2 基于强化学习的资源分配 | 第38-46页 |
| 3.2.1 基于强化学习的频谱和功率分配方法 | 第38-39页 |
| 3.2.2 多智能体强化学习 | 第39-41页 |
| 3.2.3 基于预测的多智能体强化学习 | 第41-42页 |
| 3.2.4 算法流程 | 第42-43页 |
| 3.2.5 收敛性证明及复杂度分析 | 第43-46页 |
| 3.3 仿真分析 | 第46-50页 |
| 3.3.1 参数设置 | 第46-47页 |
| 3.3.2 仿真分析 | 第47-50页 |
| 3.4 本章总结 | 第50-51页 |
| 4 基于能量收集的中继资源分配 | 第51-68页 |
| 4.1 引言 | 第51-52页 |
| 4.2 系统模型 | 第52-56页 |
| 4.2.1 系统模型 | 第52-54页 |
| 4.2.2 电池模型 | 第54-55页 |
| 4.2.3 最优化问题 | 第55-56页 |
| 4.3 中继选择和功率分配算法 | 第56-62页 |
| 4.3.1 中继选择 | 第56-57页 |
| 4.3.2 源节点功率选择 | 第57-58页 |
| 4.3.3 中继时间分割系数和功率选择 | 第58-59页 |
| 4.3.4 值函数近似 | 第59-61页 |
| 4.3.5 算法总结 | 第61-62页 |
| 4.4 仿真分析 | 第62-67页 |
| 4.4.1 参数设置 | 第62-63页 |
| 4.4.2 仿真性能分析 | 第63-67页 |
| 4.5 本章总结 | 第67-68页 |
| 5 总结和展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第74-76页 |
| 学位论文数据集 | 第76页 |
