發(fā)布時(shí)間：2020-12-06 18:02

　　認(rèn)知無線網(wǎng)絡(luò)能夠在一定程度上解決無線資源的匱乏問題,不過更多的是賦予網(wǎng)絡(luò)中的實(shí)體智能和自適應(yīng)的能力,同時(shí)為無線網(wǎng)絡(luò)的智能化管理提供進(jìn)一步的技術(shù)支持。認(rèn)知網(wǎng)絡(luò)中的實(shí)體可以智能地感知外部環(huán)境信息,并依此進(jìn)行策略制定。隨著網(wǎng)絡(luò)環(huán)境的復(fù)雜化和異構(gòu)化程度加劇,網(wǎng)絡(luò)實(shí)體的行為帶來的數(shù)據(jù)流量越來越多。因此,對網(wǎng)絡(luò)中的數(shù)據(jù)進(jìn)行智能化地管理,可以有效地提升網(wǎng)絡(luò)的性能。所以,對網(wǎng)絡(luò)數(shù)據(jù)流量的預(yù)測和傳輸調(diào)度機(jī)制的研究也是未來智能網(wǎng)絡(luò)的重要方面�；�于此,本文的主要研究內(nèi)容為:第一,研究了在認(rèn)知網(wǎng)絡(luò)中如何提高網(wǎng)絡(luò)數(shù)據(jù)流量預(yù)測精度的問題。針對多信道網(wǎng)絡(luò)中數(shù)據(jù)流量的預(yù)測問題,提出了一種基于棧式自編碼深度學(xué)習(xí)的流量預(yù)測模型,將流量預(yù)測的精度問題轉(zhuǎn)化為預(yù)測模型的優(yōu)化問題。相對于傳統(tǒng)的淺層學(xué)習(xí),深度學(xué)習(xí)的方法可以獲取隱含在網(wǎng)絡(luò)數(shù)據(jù)流量中的深層非線性關(guān)系。同時(shí),該模型將單目標(biāo)的預(yù)測問題提升到多目標(biāo)的數(shù)據(jù)預(yù)測。最后,引入了LBFGS算法來對預(yù)測模型的參數(shù)進(jìn)行優(yōu)化,以進(jìn)一步提高預(yù)測精度。經(jīng)過仿真實(shí)驗(yàn),并且和其他算法進(jìn)行對比,結(jié)果證實(shí)了本文的方案具有更小的預(yù)測相對誤差。第二,研究了認(rèn)知網(wǎng)絡(luò)中的數(shù)據(jù)傳輸調(diào)度問題。在系統(tǒng)中存在一個(gè)中... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 認(rèn)知無線網(wǎng)絡(luò)概述
        1.2.1 認(rèn)知網(wǎng)絡(luò)定義
        1.2.2 認(rèn)知無線網(wǎng)絡(luò)的研究內(nèi)容及現(xiàn)狀
    1.3 本文主要工作及組織結(jié)構(gòu)
第2章 基于人工智能算法的流量預(yù)測和數(shù)據(jù)傳輸問題
    2.1 引言
    2.2 流量預(yù)測中的主要方法
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.2.2 支持向量機(jī)
        2.2.3 自回歸滑動(dòng)平均模型
        2.2.4 邏輯回歸法
    2.3 數(shù)據(jù)傳輸調(diào)度中的決策方法
        2.3.1 動(dòng)態(tài)規(guī)劃
        2.3.2 策略迭代法
        2.3.3 Q學(xué)習(xí)法
        2.3.4 W學(xué)習(xí)法
    2.4 本章小結(jié)
第3章 基于深度學(xué)習(xí)的多信道流量預(yù)測機(jī)制
    3.1 引言
    3.2 網(wǎng)絡(luò)流量預(yù)測框架
    3.3 基于AG-SAEs的預(yù)測方法
        3.3.1 AG-SAEs預(yù)測模型
        3.3.2 自適應(yīng)分組算法
        3.3.3 棧式自編碼模型
        3.3.4 基于LBFGS的參數(shù)優(yōu)化方法
        3.3.5 算法步驟與復(fù)雜度分析
    3.4 仿真分析
        3.4.1 數(shù)據(jù)預(yù)處理
        3.4.2 預(yù)測性能指標(biāo)
        3.4.3 參數(shù)優(yōu)化算法對比
        3.4.4 模型結(jié)構(gòu)分析
        3.4.5 預(yù)測算法對比
    3.5 本章小結(jié)
第4章 基于深度Q學(xué)習(xí)的數(shù)據(jù)傳輸方案
    4.1 引言
    4.2 系統(tǒng)模型
        4.2.1 信道狀態(tài)
        4.2.2 緩存器狀態(tài)
        4.2.3 發(fā)送功率
    4.3 傳輸調(diào)度的MDP分析
        4.3.1 系統(tǒng)狀態(tài)轉(zhuǎn)移
        4.3.2 收益和代價(jià)
    4.4 基于深度Q學(xué)習(xí)的最優(yōu)行為獲取
        4.4.1 Q學(xué)習(xí)算法
        4.4.2 深度行為映射網(wǎng)絡(luò)
    4.5 算法描述與比較
        4.5.1 算法描述
        4.5.2 算法比較
    4.6 仿真分析
    4.7 本章小結(jié)
第5章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]基于深度信念網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型[J]. 任瑋.  山西電子技術(shù). 2016(01)
[2]Reputation-based secure spectrum situation fusion in distributed cognitive radio networks[J]. Li Fangwei,Liu Fan,Zhu Jiang,Nie Yifang.  The Journal of China Universities of Posts and Telecommunications. 2015(03)
[3]認(rèn)知網(wǎng)絡(luò)中一種基于頻譜安全態(tài)勢感知的路由方案[J]. 李方偉,劉帆,朱江,聶益芳.  電訊技術(shù). 2014(09)
[4]無線傳輸中基于馬爾可夫決策的高能效策略[J]. 林曉輝,譚宇,張俊玲,楊超,劉靜.  系統(tǒng)工程與電子技術(shù). 2014(07)
[5]基于W學(xué)習(xí)的無線網(wǎng)絡(luò)傳輸調(diào)度方案[J]. 朱江,彭禎珍,張玉平.  計(jì)算機(jī)應(yīng)用. 2013(11)
[6]基于遺傳RBF神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)流量預(yù)測方法[J]. 楊治秋.  哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào). 2013(01)
[7]認(rèn)知網(wǎng)絡(luò)中基于蟻群算法的網(wǎng)絡(luò)流量預(yù)測模型[J]. 李丹丹,張潤彤,王傳臣,肖東坡.  電子學(xué)報(bào). 2011(10)
[8]一種基于馬爾可夫決策過程的認(rèn)知無線電網(wǎng)絡(luò)傳輸調(diào)度方案[J]. 朱江,徐斌陽,李少謙.  電子與信息學(xué)報(bào). 2009(08)



本文編號(hào)：2901802