声明
缩略词
第1章 绪论
1.1 论文研究背景及意义
1.1.1 从软件无线电到认知无线电
1.1.2 基于频谱共享的认知无线网络
1.1.3 基于认知无线网络的其他频谱共享技术
1.1.4 软件定义网络与认知网络
1.2 认知无线网络资源分配的国内外研究现状
1.2.1 认知无线网络资源分配技术概况
1.2.2 认知无线网络资源分配技术的国内外研究现状
1.2.3 仍需研究的问题
1.3 论文主要研究内容与章节安排
第2章 基于干扰最小化的认知无线网络资源分配策略
2.1 引言
2.2 系统模型
2.3 问题描述
2.4 优化问题的等价转换
2.5 基于干扰最小化的资源分配策略
2.5.1 从用户功率初始化分配
2.5.2 从用户子信道分配
2.5.3 从用户接入控制算法
2.5.4 算法复杂度分析
2.6 仿真结果分析
2.7 本章小结
第3章 抗阴影衰落的移动认知无线网络资源分配策略
3.1 引言
3.2 系统模型
3.3 抗阴影信道状态预测
3.4 问题描述
3.5 基于有效容量最大化的资源分配策略
3.5.1 有效容量的定义
3.5.2 接入控制
3.5.3 功率初始化
3.5.4 子信道分配
3.5.5 功率分配
3.5.6 算法复杂度
3.6 基于移动主用户的拓展场景分析
3.6.1 拓展场景一
3.6.2 拓展场景二
3.7 仿真结果分析
3.8 本章小结
第4章 基于深度学习的高效认知无线网络资源分配策略
4.1 引言
4.2 系统模型和问题描述
4.3 基于消息传递算法的资源分配策略
4.3.1 从用户功率初始化分配
4.3.2 从用户子信道分配
4.3.3 从用户接入控制
4.4 基于深度学习的三维衰减消息传递算法实现
4.4.1 三维衰减消息传递的表达式
4.4.2 基于资源分配的前向神经网络
4.4.3 基于类反向传播算法的深度学习方法
4.4.4 ε的分步式学习
4.4.5 最佳神经网络层数的学习
4.5 基于高效深度学习的消息传递算法
4.5.1 基于深度学习的二维衰减消息传递资源分配策略
4.5.2 从用户接入控制
4.6 仿真结果及策略性能比较分析
4.7 本章小结
第5章 基于深度认知的NOMA异构物联网资源分配策略
5.1 引言
5.2 系统模型和假设
5.3 基于认知无线网络的NOMA资源分配问题描述
5.4 基于深度循环神经网络的资源分配策略
5.4.1 主用户子信道分配
5.4.2 从用户功率及子信道分配
5.5 基于深度学习的资源分配策略
5.5.1 基于深度循环神经网络的从用子信道分配策略实现
5.5.2 用户匹配与接入控制方案
5.6 仿真结果及性能分析
5.7 本章小结
第6章 总结与展望
6.1 主要研究成果
6.2 有待进一步研究的问题
致 谢
参考文献
攻读博士学位期间的主要成果
1. 学术论文
2. 专利
3. 科研项目
东南大学;
