| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-19页 |
| 1.1 课题背景及研究意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 信道参数估计研究 | 第14-17页 |
| 1.2.2 网络时延估计 | 第17-18页 |
| 1.3 主要研究内容 | 第18-19页 |
| 2 高速信道模型及链路级软件仿真平台 | 第19-29页 |
| 2.1 高速移动信道特征 | 第19-22页 |
| 2.1.1 多径效应 | 第19-20页 |
| 2.1.2 多普勒效应 | 第20-21页 |
| 2.1.3 信道模型 | 第21-22页 |
| 2.2 链路级软件仿真平台搭建 | 第22-28页 |
| 2.2.1 系统结构设计 | 第23-25页 |
| 2.2.2 四种常见的预编码算法 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 3 基于卡尔曼滤波算法的多普勒频移估计 | 第29-46页 |
| 3.1 卡尔曼滤波算法 | 第29-33页 |
| 3.1.1 卡尔曼算法介绍 | 第29-30页 |
| 3.1.2 经典卡尔曼算法原理 | 第30-31页 |
| 3.1.3 拓展卡尔曼算法 | 第31-33页 |
| 3.2 导频分布影响 | 第33-34页 |
| 3.3 多普勒频移估计技术 | 第34-39页 |
| 3.3.1 导频分布 | 第34-36页 |
| 3.3.2 多普勒频移估计 | 第36-37页 |
| 3.3.3 基于相位差分法的多普勒频移估计 | 第37-38页 |
| 3.3.4 基于拓展卡尔曼滤波算法的多普勒频移估计 | 第38-39页 |
| 3.4 自适应的卡尔曼滤波算法 | 第39-40页 |
| 3.5 自适应的导频算法 | 第40-41页 |
| 3.5.1 信道的时间相关性 | 第40-41页 |
| 3.5.2 基于相关时间的自适应导频间隔 | 第41页 |
| 3.6 仿真分析 | 第41-45页 |
| 3.7 本章小结 | 第45-46页 |
| 4 基于卡尔曼滤波的网络时延估计 | 第46-61页 |
| 4.1 机器学习 | 第46-48页 |
| 4.1.1 机器学习分类 | 第47页 |
| 4.1.2 多元线性回归算法 | 第47-48页 |
| 4.2 网络时延的影响因素 | 第48-49页 |
| 4.2.1 网络时延 | 第48-49页 |
| 4.2.2 网络时延的重要性 | 第49页 |
| 4.3 两种卡尔曼算法 | 第49-53页 |
| 4.3.1 平方根卡尔曼算法 | 第49-51页 |
| 4.3.2 基于两种卡尔曼滤波算法对网络时延的估计仿真 | 第51-53页 |
| 4.4 基于多元线性回归的拓展卡尔曼滤波算法 | 第53-59页 |
| 4.4.1 网络时延特性 | 第54-55页 |
| 4.4.2 基于多元线性回归的卡尔曼滤波算法在网络时延估计的应用 | 第55-59页 |
| 4.5 本章小结 | 第59-61页 |
| 5 结论 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 学位论文数据集 | 第66页 |
