| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 移动通信系统的发展 | 第10-12页 |
| 1.1.2 网络资源分配的研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 NOMA的研究现状 | 第13-14页 |
| 1.2.2 H-CRAN的研究现状 | 第14-15页 |
| 1.3 本文的研究内容 | 第15-16页 |
| 1.4 论文的结构安排 | 第16-18页 |
| 第二章 5G无线通信和机器学习相关技术 | 第18-26页 |
| 2.1 G无线通信概述 | 第18-20页 |
| 2.1.1 NOMA | 第18-20页 |
| 2.1.2 H-CRAN | 第20页 |
| 2.2 机器学习概述 | 第20-25页 |
| 2.2.1 深度学习 | 第21-23页 |
| 2.2.2 强化学习 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于用户分簇的MIMO-NOMA网络多维资源分配 | 第26-42页 |
| 3.1 引言 | 第26-28页 |
| 3.2 系统模型 | 第28-29页 |
| 3.3 基于用户分簇的多维资源分配问题 | 第29-34页 |
| 3.3.1 用户分簇 | 第29-31页 |
| 3.3.2 波束向量分配 | 第31-32页 |
| 3.3.3 资源块和发射功率分配 | 第32-34页 |
| 3.4 多维资源分配算法 | 第34-38页 |
| 3.4.1 基于图论的资源块分配算法 | 第34-35页 |
| 3.4.2 基于最优化理论的发射功率分配算法 | 第35-37页 |
| 3.4.3 资源块和发射功率的联合优化算法 | 第37-38页 |
| 3.5 仿真分析与性能评估 | 第38-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 基于多时间尺度协同优化的H-CRAN资源分配 | 第42-60页 |
| 4.1 引言 | 第42-43页 |
| 4.2 系统模型 | 第43-46页 |
| 4.2.1 网络模型 | 第43-44页 |
| 4.2.2 协同优化模型 | 第44-45页 |
| 4.2.3 分布式计算模型 | 第45-46页 |
| 4.3 问题建模 | 第46-49页 |
| 4.3.1 大时间尺度优化问题 | 第46页 |
| 4.3.2 小时间尺度优化问题 | 第46-49页 |
| 4.4 多时间尺度协同优化的资源分配算法 | 第49-53页 |
| 4.4.1 基于深度学习的大时间尺度优化算法 | 第49-50页 |
| 4.4.2 基于强化学习的小时间尺度优化算法 | 第50-53页 |
| 4.5 仿真分析与性能评估 | 第53-59页 |
| 4.5.1 大时间尺度优化的仿真分析 | 第54-56页 |
| 4.5.2 小时间尺度优化的仿真分析 | 第56-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 H-CRAN资源分配验证演示平台 | 第60-72页 |
| 5.1 开发环境设计 | 第60-61页 |
| 5.1.1 JetBrains Pycharm介绍 | 第60-61页 |
| 5.1.2 TensorFlow和Keras介绍 | 第61页 |
| 5.2 网络环境搭建 | 第61-64页 |
| 5.3 大时间尺度资源分配演示平台 | 第64-67页 |
| 5.4 小时间尺度资源分配演示平台 | 第67-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第六章 总结和展望 | 第72-74页 |
| 6.1 总结 | 第72页 |
| 6.2 展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第78-79页 |
| 附录2 攻读硕士学位期间申请的专利 | 第79-80页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第80页 |
