| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-38页 |
| 1.1 研究背景 | 第12-29页 |
| 1.1.1 未来蜂窝无线通信(5G and Beyond)面临的挑战 | 第12页 |
| 1.1.2 新型蜂窝无线网络架构与其中的关键技术 | 第12-21页 |
| 1.1.3 机器学习在蜂窝无线通信中的应用概述 | 第21-29页 |
| 1.2 论文主要工作和内容安排 | 第29-38页 |
| 1.2.1 论文研究内容及创新点 | 第29-34页 |
| 1.2.2 论文结构安排 | 第34-38页 |
| 第二章 基于机器学习的资源分配与上下行解耦技术研究 | 第38-64页 |
| 2.1 引言 | 第38-39页 |
| 2.2 授权与非授权频段共享技术 | 第39页 |
| 2.3 上下行解耦技术 | 第39-40页 |
| 2.4 系统模型和问题描述 | 第40-45页 |
| 2.4.1 系统模型 | 第40-41页 |
| 2.4.2 LTE数据速率模型 | 第41-42页 |
| 2.4.3 WiFi数据速率模型 | 第42-43页 |
| 2.4.4 问题描述 | 第43-45页 |
| 2.5 基于ESN的资源分配算法 | 第45-52页 |
| 2.5.1 基于ESN的资源分配算法组成结构 | 第46-48页 |
| 2.5.2 基于ESN的资源分配算法的执行 | 第48-50页 |
| 2.5.3 基于ESN的资源分配算法收敛性 | 第50-52页 |
| 2.6 仿真结果 | 第52-63页 |
| 2.6.1 仿真环境设置 | 第52-53页 |
| 2.6.2 性能评估 | 第53-63页 |
| 2.7 本章小结 | 第63-64页 |
| 第三章 基于机器学习的缓存管理 | 第64-94页 |
| 3.1 引言 | 第64-65页 |
| 3.2 系统模型和问题描述 | 第65-72页 |
| 3.2.1 用户移动模型 | 第66-67页 |
| 3.2.2 传输模型 | 第67-68页 |
| 3.2.3 有效容量模型 | 第68-71页 |
| 3.2.4 问题描述 | 第71-72页 |
| 3.3 基于ESN的内容和移动性预测算法 | 第72-78页 |
| 3.3.1 内容请求概率分布预测 | 第72-74页 |
| 3.3.2 移动模式预测 | 第74-78页 |
| 3.4 RRH分簇与内容缓存 | 第78-83页 |
| 3.4.1 基于ESN和子线性的缓存算法 | 第81-83页 |
| 3.4.2 算法复杂度和开销 | 第83页 |
| 3.5 仿真结果 | 第83-92页 |
| 3.5.1 仿真环境设置 | 第84页 |
| 3.5.2 仿真结果分析 | 第84-92页 |
| 3.6 本章小结 | 第92-94页 |
| 第四章 基于机器学习的UAV部署与缓存管理 | 第94-122页 |
| 4.1 引言 | 第94-96页 |
| 4.2 系统模型和问题描述 | 第96-103页 |
| 4.2.1 移动模型 | 第97页 |
| 4.2.2 传输模型 | 第97-100页 |
| 4.2.3 用户体验质量模型 | 第100-102页 |
| 4.2.4 问题描述 | 第102-103页 |
| 4.3 基于conceptor ESN的内容和移动模式预测算法 | 第103-107页 |
| 4.3.1 基于conceptor ESN预测算法的组成 | 第104-106页 |
| 4.3.2 基于conceptor ESN预测算法的执行 | 第106-107页 |
| 4.4 UAV的最优位置和缓存内容 | 第107-114页 |
| 4.4.1 用户-RRH连接 | 第108-109页 |
| 4.4.2 UAV的最优缓存内容 | 第109-111页 |
| 4.4.3 UAV的最优部署位置 | 第111-113页 |
| 4.4.4 算法执行和复杂度分析 | 第113-114页 |
| 4.5 仿真结果 | 第114-120页 |
| 4.5.1 仿真环境设置 | 第114-115页 |
| 4.5.2 性能评估 | 第115-120页 |
| 4.6 本章小结 | 第120-122页 |
| 第五章 基于机器学习的360°VR内容传输与缓存管理 | 第122-146页 |
| 5.1 引言 | 第122-123页 |
| 5.2 系统模型和问题描述 | 第123-129页 |
| 5.2.1 缓存模型 | 第124-125页 |
| 5.2.2 传输模型 | 第125-128页 |
| 5.2.3 计算模型 | 第128页 |
| 5.2.4 问题描述 | 第128-129页 |
| 5.3 最优化用户传输可靠性的基于ESN与LSM的深度强制学习算法 | 第129-139页 |
| 5.3.1 ESLM深度强制学习的组成 | 第130-136页 |
| 5.3.2 最大化传输可靠性的ELSM算法 | 第136-137页 |
| 5.3.3 ELSM算法的收敛性 | 第137-139页 |
| 5.4 仿真结果 | 第139-145页 |
| 5.4.1 仿真环境设置 | 第140-145页 |
| 5.5 本章小结 | 第145-146页 |
| 第六章 全文总结及展望 | 第146-152页 |
| 6.1 全文总结 | 第146-148页 |
| 6.2 下一步工作展望 | 第148-152页 |
| 附录 缩略语表 | 第152-154页 |
| 参考文献 | 第154-166页 |
| 致谢 | 第166-168页 |
| 攻读学位期间发表的学术论文目录 | 第168-170页 |
