一、基于多路径自适应的无线网拓扑发现算法（论文文献综述）
刘晔祺[1]（2021）在《卫星动态光网络的路由和资源管理方法研究》文中研究说明科学技术的进步和发展,推动空间通信技术向着不断深入的方向探索,在海量通信数据和多样化用户服务的刺激下,空间技术领域中的大功率轨道运载水平和大容量卫星通信能力不断提升,人工智能等新技术也开始融入卫星产业的各个方面。以激光为载波、大气为传输介质的卫星光通信技术,能够在继承微波通信优势的基础上,结合无线电通信和光纤通信的优点,不仅传输速率高、传输容量大、安全性高,还能够抵抗电磁干扰,且无需使用许可;硬件配置方面,满足激光通信需求的发射和接收天线体积小,更便于卫星携带。通过采用激光通信技术建立星间链路,能够形成高速率大容量通信的卫星高速光互联网,进而满足近年来指数式增长的数据传输量对卫星通信容量和传输速率提出的更高要求。因此,作为未来军事和商业空间网络的重要构成系统,空间激光通信具有重要的研究意义。在多类型业务需求和服务质量不断增长的今天,卫星光网络中所承载的通信量越来越大,与此同时,空间环境的复杂性以及无线通信固有的脆弱性也给卫星网络的高质量传输性能带来了巨大的挑战。本论文充分考虑基于波分复用结构的激光链路特性和网络拓扑高动态变化的特点,围绕卫星动态光网络中网路层路由算法和星上资源管理问题展开研究。为了支撑各种类型的用户服务,提高大容量高速率网络通信的稳定性和可靠性,应对卫星光网络由于数据速率高、容量大等新特性而导致的网络层面的流量不均、业务拥塞问题,解决与日俱增的业务需求和有限的星上资源之间的矛盾,本文重点研究卫星动态光网络中的路由与波长分配技术,基于安全威胁和重业务负载的路由优化策略,以及星上资源的高效分配方法,从而实现用户数据的稳定、安全、高效传输,并提高有限资源的最大化利用。论文的主要研究工作和创新点如下:1.基于蜂群优化的路由和波长分配算法论文基于卫星动态光网络中的路由与波长分配（Routing and Wavelength Assignment,RWA）问题,提出了基于蜂群优化的RWA算法,以时延和波长利用率为优化指标,以多普勒波长漂移、传输时延、波长一致性和连续性为约束条件,建立了星间激光链路的链路代价模型;优化了蜂群适应度函数,以最小化路径上经过的节点跳数和链路的波长资源利用率为目标,实现了路径的合理规划和波长的有效利用。研究结果表明,该算法有效地克服了卫星光网络长时延和高误码率的缺点,满足了实时业务的稳定传输,减轻了多普勒频移对通信性能的不利影响,并且能保证低阻塞率下波长资源的高效利用。2.基于安全路由策略的负载均衡算法论文基于空间环境的开放性所引发的安全性问题,设计了基于多层卫星信任度的安全路由策略,通过卫星群组划分、生成链路报告和可信路由计算等步骤,利用网络中时延、丢包率和可用带宽等信息构建信任度值,并由高层卫星管理者规划出一条信任度值较高的路径,以实现可信的数据传输,从而提高系统安全性;针对满足全球覆盖的单层卫星星座,提出了基于安全策略的负载均衡算法,解决了卫星光网络中由于全球流量分布不均引起的负载不均问题和路由安全性问题。通过设计基于安全机制的流量修正模型,分散热点区域的流量,同时限制通过不安全区域的流量,以达到安全目标下网络负载的有效均衡。与传统的启发式算法相比,所提算法具有更好的适应性,更低的阻塞率以及更加安全可靠的通信性能。3.基于业务分流的卫星拥塞控制算法论文针对大流量业务背景下星载处理能力有限和全局业务分布失衡所引发的网络拥塞问题,提出了一种基于业务分流的卫星拥塞控制算法,利用人工蜂群（Artificial Bee Colony,ABC）机制求解多约束条件下的拥塞控制优化模型。针对可预判的业务堆积造成的拥塞,提出了一种基于业务分布的链路代价修正模型,通过修正的路径代价来提前分散重负载区域流量,以得到全局最优的路由结果;针对网络的突发性拥塞,考虑到波长分配和路由选择的同时性,设计了基于波长利用率的拥塞控制指数,最大限度地避免局部拥塞给网络带来的瘫痪性影响;针对拥塞节点容易引发的级联拥塞现象,则通过设置拥塞区域进行路由绕行以避免性能进一步恶化。仿真结果表明,所提算法实现了高通信成功率和低传输时延性能,并能够在避免拥塞的基础上实现对波长资源的合理规划。4.基于多QoS保证的动态带宽分配方法论文基于宽带卫星通信系统的资源分配问题,提出了一种基于多服务质量（Quality of Service,QoS）保证的动态带宽分配方法以解决有限的星上资源和日益增长的宽带多媒体业务需求之间矛盾。首先,构建了一个跨层带宽分配模型,综合考虑应用层、介质访问控制（Medium Access Control,MAC）层和物理层的信息;然后,利用优化蜂群算法求解基于跨层信息的修正效用函数,从而得到带宽资源分配的最优解。所提算法充分考虑并分析了调制格式、编码效率、传输速率以及不同类型用户的QoS优先级等重要因素。最后,通过对所提算法效用值、用户满意度和吞吐量等性能的分析评估,验证了其不仅能够满足多用户的QoS需求,还能在兼顾物理层传输环境的基础上实现高效的带宽分配和高速的业务传输。
姜日凡[2]（2020）在《基于无线网络的船舶航向保持控制研究》文中认为为了满足船舶控制系统的发展需要,各种智能终端和传感器大量应用于船舶中,如果使用有线网络连接这些设备,会制约设备的移动性和灵活性,并且船舶使用有线网络存在一些问题,为了解决上述问题,船舶无线传感器网络应运而生。船舶无线传感器网络能够实现船舶智能终端和传感器的按需部署,具有移动性、灵活性、可扩展性、低成本以及方便维护等特点,并且能够有效地解决船舶内布线空间狭窄而施工困难等问题。目前船舶无线传感器网络主要应用于船舶监控和定位等领域,本文尝试以无线传感器网络为船舶操舵系统的冗余网络,进行基于无线网络的船舶航向保持控制研究。本文开展的主要研究内容和方法如下:首先,针对船舶无线传感器网络的能量有限和实时性问题,本文设计了一种船舶无线传感器网络操作系统Mindows,并提出了一种基于Mindows的船舶无线传感器网络节点的功耗管理方案,主要从操作系统层面对节点进行了低功耗设计,分别从节点微处理器、外围设备以及电池能量方面进行了电源管理设计。通过测试结果验证,该方案能有效地降低船舶无线传感器网络节点功耗,延长无线传感器网络的生命周期,且系统运行稳定。其次,为了满足基于无线网络的船舶航向保持控制研究的需要,方便地开展所研究算法的仿真测试实验,本文利用VB设计一套基于实际的GPRS和ZigBee网络的近海或内河船舶航向保持控制仿真平台,弥补了单一软件仿真的局限性。实验结果验证了在该平台通过远程及近距无线网络进行船舶航向保持控制的可行性和该平台的实用性。再次,针对船舶在海上运动的大时滞和非线性等问题,本文提出了一种适用于船舶大时滞和非线性情况的灰色预测简捷鲁棒控制算法,采用改进的灰色模型对船舶航向偏差进行实时预测,并将预测值应用于船舶航向简捷鲁棒控制器。通过仿真验证,该算法具有形式简捷、参数易整定、鲁棒性强等优点。最后,针对需要安装冗余控制网络的船舶,本文提出以ZigBee无线传感器网络为船舶操舵系统冗余网络的方案;针对无线网络控制系统的诸多问题,本文从控制和通信的联合设计角度解决这些问题,从通信角度出发,设计基于并行不相交多路径路由的ZigBee网络,保证控制算法有效实施;从控制角度出发,设计的船舶航向保持控制器将灰色预测模型和基于非线性反馈的船舶航向保持积分Backstepping简捷鲁棒控制相结合进行时延和丢包补偿控制。通过仿真验证,该方案能优化无线网络控制的整体性能,能得到较好的控制效果,具有一定的实际参考价值。本文通过仿真验证,将无线网络控制应用于船舶航向保持控制中是可行的和有效的,并且是一种有益的尝试。随着无线网络技术不断成熟完善,船舶控制系统采用无线网络代替有线网络将成为未来发展的趋势。
吴欢[3]（2020）在《基于吸引子的异构接入网络选择策略研究》文中研究指明随着无线通信网络技术的高速发展,用户数据流量、业务量及终端数量的激增,使得下一代无线通信网络的发展趋于多网络异构、共存的局面。因此,如何优化现有异构的网络资源、动态地选择合理的接入网策略,同时,在保障用户业务需求的基础上,减少传输时延、提升系统整体性能及服务质量已成为异构无线网络中亟待解决的问题。本文针对上述问题,提出一种新型异构无线网络（P-HN）架构包含WiFi网络、蜂窝网络以及电力线载波通信（PLC）网络。在该网络架构的基础上,围绕如何解决异构网络中多接入网络选择问题展开。首先,利用吸引子网络选择策略,以提高网络吞吐量、保障网络负载合理分布为目的,提出基于吸引子算法的流量卸载策略;其次,以减少网络的传输时延、保障异构网络的可靠性及鲁棒性为目的,提出基于排队时延的吸引子网络选择策略;最后,以保障业务优先级需求、增强网络的可靠性及鲁棒性为目的,提出基于优先级的吸引子网络选择策略。本文的主要创新点和贡献可以归纳为以下几个方面:1、P-HN网络架构的设计针对异构无线网络中多种接入技术并存引起的网络融合成度不高、传输时延大等问题,提出了包含多种接入网络的P-HN网络架构。首先,研究并分析了现有异构无线网络架构及其接入管理模式,在P-HN基础上提出在数据传输的标准体系里添加能够进行统一传输数据的有效虚拟层（EVL）。EVL实现了不同接入技术的用户在P-HN中无缝地数据传输。接着,针对P-HN的动态网络架构引起的多接入网络选择问题,提出了一种基于生物学的吸引子网络选择策略。该算法考虑到P-HN中接入技术多样异构的特性,充分研究生物学吸引子选择算法的工作原理,将生物学算法中的吸引子参数对应于P-HN的剩余带宽,得到基于剩余带宽的吸引子网络选择策略（RASS）。该策略可以根据外部环境的变化,自适应地选择最优网络进行数据传输。最后通过实验仿真表明,基于RASS的P-HN能够合理的分配网络资源,相较于单一传输网络能够减少系统的传输时延,而多种的接入方式保障了 P-HN的鲁棒性。2、P-HN中的流量卸载策略针对流量卸载网络中卸载流量分布不合理、系统吞吐量不高和网络资源利用不充分的问题,本文提出一种基于吸引子的流量卸载策略（OASS）。首先,以蜂窝网络与PLC网络为研究场景,以合理协调小区内流量分布、提高系统吞吐量为目标,设计出基于P-HN的流量卸载模型。其次,综合考虑了蜂窝网络吞吐量和PLC网络吞吐量,并寻找平衡两个网络吞吐量的最优卸载率。仿真结果表明,以卸载率为参数的OASS,可以自适应地选择最优卸载率,协调蜂窝网络与PLC网络的流量分布,解决了流量分布不合理带来的系统吞吐量不高、资源利用不充分的问题,从而达到充分利用网络资源、提高系统吞吐量的目的。3、基于排队时延的吸引子网络选择策略针对动态P-HN网络环境中,已有网络接入选择算法灵活性差、计算复杂等问题,提出一种基于排队时延的吸引子网络选择策略（DASS）。首先,以大量数据到达的P-HN为研究场景,以选择最短排队时延网络为目标,设计异构无线网络中双网络排队模型。其次,通过二阶马尔可夫状态转移方程,得到两种网络的排队时延,并根据实际情况将双网络排队模型扩展到多网络排队模型,通过多阶马尔可夫状态转移方程得到多网络排队时延集。仿真结果表明,通过使用DASS,系统能够自适应地根据外部环境选择传输网络,尤其是当系统内节点增多或发生故障时,仍然保持较高的传输率,进而保障网络的可靠性与鲁棒性。同时,由于节点可以选择时延最小的网络进行数据传输,从而减少了传输时延,缓解网络拥塞。4、基于优先级的吸引子网络选择策略针对实时动态的异构网络中多种用户业务的优先级需求不同,已有接入网选择策略无法动态地保障其需求的基础上,提出基于用户优先级的吸引子网络选择策略（PASS）。首先,以动态P-HN为研究场景,在终端用户对不同业务服务质量（QoS）需求不同的基础上,将数据进行优先级分类,建立优先级调度模型,以保障系统中不同用户业务的优先级需求。其次,建立双网络双优先级系统排队模型,并采用3D马尔可夫状态转移方程描述该排队模型的数学特性。最后,将不同优先级用户在不同网络的时延与吸引子路径选择算法相结合得到PASS。仿真表明,PASS在移动场景下和固定场景中均具有极高的正确性,不但保障了不同用户业务的优先级需求还在网络环境发生变化时令系统具有较高的可靠性与鲁棒性。
徐越[4]（2020）在《基于机器学习的无线网络负载优化方法研究》文中认为近年来,无线网络规模爆炸式增长、新兴业务不断涌现、用户需求持续变化,致使无线网络负载在时空二维非均匀分布且波动性进一步加剧。如何在无线网络的资源约束下自适应优化网络负载,满足用户多样化的业务需求,是新一代无线网络面临的核心难题之一。传统的移动网络负载优化方法主要是基于经典信息论和网络信息论对优化问题进行建模求解,然而偏理想化的数学优化模型难以应对迅速攀升的信息体量和快速变化的业务需求。因此,新一代无线网络亟需全新的负载优化模式。有鉴于此,本文将传统基于信息理论的建模求解优化模式改变为基于人工智能的智能演进优化模式,使无线网络的负载优化从“被动应对”转变为“主动学习”,综合利用前沿的机器学习理论,解决移动通信网络在负载时空非均匀分布且剧烈波动下网络性能优化的难题。包括:设计了支撑负载智能优化的网络架构,提出了具有通用性和自主优化能力的单节点智能优化方法、具有可拓展性和多机计算能力的多节点智能优化方法、具有自治性和协同决策能力的多智能体优化方法。主要工作及创新如下:第一,针对机器学习的需求与特点设计了支撑负载智能优化的网络架构,为其他章节方法提供基础支撑。首先,提出了一种无线大数据认知架构,从数据驱动的角度,明确了无线网络基于数据进行智能决策的工作流程和方法。然后,以数据认知为基础,提出了一种基于云与边缘计算的可拓展型负载优化架构,赋能并行化或全分布式的多机计算模式以满足新一代无线网络的大规模负载优化需求。以上架构为本文的后续方法研究提供了框架支持。第二,以前述架构为基础,研究了基于单节点机器学习的负载优化方法,利用单机资源解决有限规模的负载预测和负载均衡问题。本部分共提出了两种具有不同特点的负载优化方案。第一种是先预测后调优的组合型优化方案:提出了一种基于高斯过程的流量预测模型,以预测无线流量的未来变化趋势;仿真结果表明:所提模型针对真实4G数据的预测准确度高达97%,明显优于现有模型;接着,以预测结果为指导,进一步实现了负载自适应的智能基站休眠,显着提升了系统能效。第二种是融预测和调优为一体的优化方案:提出了一种基于深度强化学习的负载均衡模型,通过与环境的动态交互来自主学习最优的负载均衡策略,同时适应负载的动态波动;仿真结果表明:所提模型的负载均衡性能较现有模型提升约20%,具有较强的环境自适应能力。第三,将单节点负载优化方法进一步拓展至多节点负载优化方法,利用多机协同计算能力满足大规模负载优化对系统承载和响应速度的要求。首先,针对大规模负载预测问题,提出了一种多节点负载预测框架和相应的分布式高斯预测模型,通过并行化计算,指数级地提升了预测速度。仿真结果表明:所提多节点负载预测框架与现有其他低复杂度预测模型相比,降低了约15%的预测误差,且所需交互开销更小。然后,针对大规模负载均衡问题,提出了一种多节点负载均衡框架和相应的分布式深度强化学习模型。所提框架利用多节点分摊大规模负载均衡的计算负担,并利用知识迁移技术进一步提升深度强化学习模型的学习效率与稳定性。仿真结果表明:与单节点负载均衡相比,所提多节点负载均衡框架的性能优势随网络规模的增大而逐步递增。第四,将多节点负载优化方法进一步拓展至多智能体负载优化方法。在多机协同计算的基础上,赋予各节点独立的学习与决策能力,进一步提升网络的智能性。首先,本部分提出了一种基于投票机制的多智能体强化学习方法:多智能体通过投票进行协作,共同决定集体行为,并基于分布式强化学习算法优化各自的行为策略。然后,本部分从理论上证明,所提分布式算法收敛至全局最优解的速率与集中式算法完全相同,即:所提方法的分布式决策过程不会为多智能体的策略优化带来任何的性能损失。最后,将所提方法用于解决无人机辅助的大规模负载分流问题,证实了该多智能体学习方法的有效性和相应理论分析的正确性。本文首先提出网络架构作为基础支撑,然后逐步研究单节点、多节点和多智能体负载优化方法,所对应的优化问题规模逐渐加大,优化模型难度逐级递增,网络智能化程度逐渐增强。本文所提架构、方法、模型、理论证明等,为新一代无线网络的智能化演进提供了有效参考。相关成果已发表IEEE JSAC、Magazine等高水平期刊和本领域旗舰会议近十篇,并申请了国家发明专利两项。
刘铂熙[5]（2020）在《缓存、计算资源受限下无线网络吞吐量优化策略研究》文中研究指明为将云计算下沉到网络边缘,边缘无线节点将逐渐具备文件缓存、任务处理功能。然而,经典的云-网分离的调度机制无法充分利用无线网络中分散的通信、计算和缓存资源。为应对资源受限与需求增长之间的矛盾,本博士论文以最大化网络吞吐量为目标,对通信、计算和缓存资源优化调度开展了系列研究。对可预测的多媒体通信需求,研究缓存资源受限下无线网络的流行文件放置问题,提前优化流行文件在网络内的缓存位置。进一步,对不可预测的计算型通信需求,研究计算资源受限下无线网络的计算型通信任务调度问题,实时均衡网络内中央处理器（Compute Processing Unit,CPU）和随机接入存储模块（Random Access Memory,RAM）的工作负载。同时,考虑到基于经典因特网协议（Internet Protocol,IP）地址的调度框架过度分离云-网的资源,导致调度开销过大的问题,将设计一种缓存、计算一体化调度框架,旨在降低高负载下无线网络的通信开销,从而提升网络吞吐量。主要贡献如下:1.针对缓存资源受限下无线网络吞吐量优化问题,本文优化任意网络拓扑下缓存文件放置策略。现有工作大多局限于单跳、单路径路由拓扑等假设,未考虑利用路由多样性提升本地缓存击中率,网络吞吐量难进一步提升。本文否定了资源受限下文件缓存策略次模性（Submodularity）,并分析了任意拓扑下联合缓存-路由联合优化的计算复杂度。进而针对可拥塞网络,提出一种基于随机凑整法（Randomized Rounding）的文件放置策略（Joint Caching and Routing of Arbitrary Topology,Jo CRAT）,保证了在任意拓扑下该缓存策略能提供至少次线性的近似比。带宽有限时,相比于经典缓存文件缓存策略提升网络吞吐量2倍以上。2.针对计算资源受限下无线网络吞吐量优化问题,本文优化任意网络拓扑下计算任务调度策略。现有工作未充分考虑网络拓扑变化对时延的影响。本文分析网络的拓扑结构特性对网络吞吐量的影响机理,并发现部分特殊场景下调度策略的最优解结构。针对一般场景,提出一种基于随机交替凑整法（Altarnative Rounding）的分布式任务调度策略（Joint Caching,Processing and Routing of Arbitrary Topology,Jo Ca PRAT）,保证最坏情况下吞吐量不低于最优值紧上界的常数倍。在显着改善网络内计算资源利用率的同时,相比于经典任务调度策略,所提Jo Ca PRAT策略的计算复杂度低一个数量级以上。3.针对基于IP调度框架依赖外部资源定位服务,如域名服务（Domain Name Service,DNS）等,缓存文件、接入计算资源带来的通信开销过大的问题,本文优化改进了IP组网架构,提出并实现基于面向对象组网（Object-oriented Networking,OON）的缓存-计算一体化调度框架,显着降低通信开销。并在网络仿真器-3（Network Simulator3,NS-3）平台上开展动态多媒体自适应业务分发与网络内转码功能的相关实验。实验结果表明,在自组织Wi-Fi网络中,OON显着降低多码率视频传输中信令对带宽的消耗,提升了网络吞吐量。
姚振[6]（2020）在《基于网内缓存的视频传输建模与优化》文中研究指明随着网络体系架构和通信技术的不断演进和创新,用户终端设备的数量和性能都实现了跨越式的提升,以此为契机,视频业务的普及速度进一步加快。这一方面极大地丰富了人们的物质文化生活,促进了相关产业的发展;另一方面,也不可避免地导致了网络中视频流量的指数式增长,给网络基础设施带来了前所未有的巨大压力。面对海量的带宽需求,通过网络扩建和设备更新来提高承载能力已然是杯水车薪。在此情况下,网内缓存技术的出现为这一问题的解决带来了转机。由于视频内容的流行度分布服从二八定律,通过将用户频繁请求的高热度内容保存到边缘网络的网元设备上,能够在缓存命中时提供就近的传输服务。由此不仅可以大幅度增加传输速率,减小传输时延,同时还能够消除网络中大量的冗余流量,缓解核心链路的传输压力。此外,软件定义网络（Software Defined Networking,SDN）和网络功能虚拟化（Network Functions Virtualization,NFV）技术的日益成熟也为网内缓存提供了良好的部署平台。利用SDN集中式控制平面的可扩展和可编程优势可以制定特定的缓存机制和缓存策略,结合NFV使能的网元节点虚拟化内容存储和传输功能,能够针对不同的视频业务需求设计和实现相应的服务框架。本文分别研究了基于SDN的有线局域网和移动蜂窝网中网内缓存协助的视频传输场景,设计了各自的系统架构,同时通过数学建模对优化问题进行了描述,并采用优化控制理论和机器学习算法找寻最优的缓存策略。本文的主要贡献总结如下:1)提出了基于有限状态机和滑动窗口的变长间隔缓存机制,并设计了相应的网内缓存协助的软件定义视频流化传输系统。针对有线局域网内支持SDN和NFV的VoD服务场景,利用SDN控制器实时地收集数据平面的链路状态和缓存分布信息,根据部署的内容传输策略选择最优的服务节点提供视频流化服务。在此基础上,结合所提出的基于滑动窗口的变长间隔缓存策略,来自适应地感知视频流行度变化趋势,调整缓存内容片段的大小,从而提高缓存资源的利用率。除此之外,针对所提出的缓存机制还构建了相应的数学模型,并从理论上对其性能进行了推导。之后,用通用的硬件设备搭建了实际的原型系统来验证其可用性和有效性,并基于Mininet网络仿真平台完成了大规模网络场景下的多指标全面性能评估。实验结果表明本文所提出的缓存策略具有更高的缓存效用和视频传输QoS。2)提出了基于多智能体深度强化学习的多基站间分布式协作缓存策略。针对超高密度5G蜂窝网中支持基站内容缓存的视频传输场景,设计了相应的系统架构和传输机制,之后将多基站间的网内协作边缘缓存问题建模为基于部分可观马尔科夫决策过程（Partially Observable Markov Decision Process,POMDP）的联合策略优化问题,并根据提出的分布式协作缓存策略求解。首先,利用各个基站配备的计算和存储资源,依据本地观测得到的用户接入状态和视频请求状态信息,通过相应的学习算法预测未来时隙的本地状态变化情况。在此基础上,结合基站共享的全局隐状态信息作为多智能体协作边缘缓存算法的状态输入,来找寻最优的缓存决策,旨在提高缓存资源的利用率,减少冗余流量。最终,通过仿真实验评估了该缓存算法在基站大规模、高密度部署场景下的性能表现。实验结果表明本文所提出的缓存策略能够通过网内缓存协作机制更充分有效地利用边缘网内的缓存资源,提高系统的整体性能。3)提出了基于深度生成模型和深度强化学习的具有用户移动性感知能力的预缓存策略。针对超高密度5G蜂窝网中用户移动情况下网内缓存协助的视频传输场景,根据移动轨迹预测的思想设计了相应的预缓存架构,能够在用户发生基站切换之前预先将待传输的内容取回到即将接入的基站之上。首先,采用基于神经网络的生成模型来提取不同移动用户的行为模式特征,加以学习之后,用来预测用户未来的移动轨迹。此后,结合观测到的网络状态信息,根据深度强化学习算法进行内容预缓存决策,目标是提高缓存资源利用率和视频传输QoS。最终,采用真实场景下移动用户的GPS轨迹数据集来测试轨迹预测算法的准确率,并通过仿真实验对所提出的预缓存策略进行了评估及验证。结果表明本文所设计的预缓存策略能够更高效地利用网内缓存资源对移动用户的视频传输性能进行提升。上述三个方面的研究成果分别展示了网内缓存在不同网络架构中的视频传输场景下所带来的性能提升和带宽节省,同时验证了本文所设计的缓存机制和策略的可用性和有效性,充分显示出其在下一代网络中广阔的应用前景。
杜奕航[7]（2019）在《基于强化学习的认知无线网络跨层设计及优化研究》文中研究指明随着信息技术的飞速发展,新型无线通信设备呈现爆发式增长,用户对通信质量和服务体验的要求也不断提高。为同时支持更多用户并实现更高的数据传输速率,通信业务对带宽和频谱占用的需求越来越高,由此造成频谱资源匮乏的问题日益严重。认知无线电采用动态频谱接入技术,能够通过时域、空域和频域的多维复用极大地提升频谱利用率,从根本上解决频谱资源的稀缺与不足。为增强系统的鲁棒性与灵活性,认知无线网络一般采用分布式架构,网络层的路由选择与媒体接入控制层的频谱分配联系紧密,为设计高效的动态路由与资源管理方案带来了新的挑战。为克服先验信息缺乏以及无线环境和网络拓扑结构动态变化等问题,本文采用强化学习方法对认知无线网络跨层设计进行了研究,主要包括源节点与中继节点异质、网络中所有节点同构、系统中存在成熟策略节点以及网络中存在恶意干扰节点等不同场景下路由选择与资源管理的联合优化策略。主要研究工作如下:（1）针对网络先验信息缺乏以及传统学习算法在系统状态空间较大时性能不佳等问题,在源节点与中继节点异质的网络场景中将单智能体深度强化学习应用于大规模认知无线网络的跨层路由设计中,提出一种基于内存优化型深度Q学习的联合路由设计与资源管理策略。首先引入路径责任等级的概念,将庞大的动作空间转化为大规模状态空间,并实现端到端延迟与系统能量效率之间的平衡。随后,提出基于内存优化的深度Q网络（PM-DQN）,通过周期性擦除记忆库中TD-error值较低的经验元组,在降低平均内存占用的同时实现优先经验回放。最后,针对网络中节点异质的特点设计了一种基于单智能体框架的跨层路由协议,将PM-DQN应用于联合路由设计与资源管理中。仿真结果表明,该方案在不需要先验信息的前提下有效解决了大规模认知无线网络的跨层路由设计,并在降低内存占用的同时取得了较小的路径延迟和较高的能量效率。（2）针对网络中所有节点同构的场景,将多智能体学习策略应用到路由选择与资源管理联合设计中,提出两种基于多智能体强化学习方法的跨层路由协议。首先设计了一种基于策略推测型多智能体Q学习的平面路由协议,通过引入单跳责任等级的概念大幅压缩跨层优化问题的动作空间,并取得单跳延迟与节点能量消耗之间的折衷。随后,将跨层设计问题建模为一个半合作式随机博弈,并提出一种基于等奖励时隙的策略推测型多智能体Q学习算法（ERT-CMAQL）求解该博弈的纳什均衡,算法采用经验回放机制更新推测置信量,打破了更新过程中数据间的强相关性并提高了数据利用效率。仿真结果表明,该方案在学习速率、传输实时性和系统鲁棒性等方面均优于传统学习策略。当网络中节点密度较大时,提出一种基于能耗权重分簇算法的层次路由协议。首先,引入能耗权重的概念,提出基于能耗权重的贪婪式分簇算法以实现簇内通信能量消耗的最小化。随后,应用Double Q学习框架改进了ERT-CMAQL算法,并对簇间通信的路由选择和资源分配进行联合优化。仿真结果显示,该方案的数据包传输延迟和能量消耗远低于平面路由协议。（3）针对时延和能耗敏感型应用,在网络中存在成熟策略节点的场景下,将学徒学习策略应用到跨层路由设计中,提出两种基于学徒学习的路由选择和资源管理联合优化方案。在源节点和中继节点异质的场景中,针对网络中新生成数据源的情况,提出一种基于内存优化型学徒学习的联合路由设计与资源管理方案。首先引入强化型路径责任等级的概念,通过多级跃迁机制提高功率分配效率。随后提出基于专家演示数据的内存优化型深度Q学习（PM-DQf D）算法,周期性擦除经验库中低质量的自主生成数据和过时的专家演示数据,释放内存空间并优化数据结构。最后,构建了一种基于单智能体框架的跨层路由协议,将PM-DQf D算法应用到路由选择与资源管理联合优化中。仿真结果显示,该方法在学习速率、数据传输质量和网络可靠性等方面都优于传统强化学习方案。在网络中所有节点同构的场景下,针对新节点加入网络的情况,提出一种基于多专家演示型学徒学习算法的跨层路由协议。首先,通过引入强化型单跳责任等级提升功率自适应分配效率。随后提出半径自适应型Bregman球模型,保证地理位置偏远的认知用户能够找到合适的专家节点。最后,为避免单一专家经验缺陷造成的策略偏置,设计了一种基于多专家演示数据的深度Q学习算法。仿真结果表明,较传统多智能体强化学习策略,该方案的训练周期、路径延迟和系统能量消耗率都较小。（4）针对认知无线网络协议架构复杂、易受恶意用户攻击的问题,在网络中存在恶意干扰节点的场景下,从网络的整体性能出发提出一种基于端到端性能的多跳认知无线网络抗干扰决策算法。首先,抗干扰策略将路由选择考虑在内,充分发挥分布式网络鲁棒性的优势。随后,将双门限判决机制引入强化型路径责任等级,提升功率分配过程中的稳定性。最后,结合多跳网络中节点受干扰特点,将基于竞争架构的深度Q网络应用到抗干扰决策中。仿真结果表明,该方案无论在常规干扰模式还是智能干扰模式下的端到端性能均优于传统抗干扰算法,且带来网络鲁棒性与可靠性的大幅提升。
梁巧君[8]（2019）在《异构无线网络基于预设期望值的自适应垂直切换》文中研究说明近年来,迅猛发展的通信技术和高质量要求的移动服务导致由各种无线通信技术（包括3G,4G,WLAN,WiMAX和LTE-A）融合部署形成的异构网络被广泛的关注和研究。垂直切换是异构网络移动管理最关键的技术,影响着移动终端的体验度。而网络排序作为网络选择的核心环节,它决定着终端是否能接入最优网络以及实现无缝切换。因此,网络排序问题成为了异构网络研究的热点。网络参数归一化处理和属性权重归一化计算是网络选择算法的两个重要过程,而大多数网络选择算法都会涉及多个网络属性和参数权重的融合计算。当移动终端从区域A移动到区域B势必会造成网络的增加或减少。那么,根据上述的归一化方法计算出来的网络排序必然不可靠。此外,考虑到不同业务的耗电量在一定时间内差别较大,异构网络关于电量和业务类型的研究又相对较少,而将电量和业务类型关联进行联合调制可以提高无线资源的利用率并增强网络排序的准确性。针对以上不足,本论文提出了一种采用TOPSIS（逼近理想值）基于预设期望值的自适应切换算法。TOPSIS算法是典型的多属性垂直切换算法代表之一,它不仅考虑了基本网络参数和用户偏好参数,还更适合于解决网络排序问题。本文算法采用五个网络属性:功耗、带宽、延时、信号强度和网络费用,选取4种代表业务并将电量划分了6个阈值等级联合调制,引入预设期望值取代网络属性归一化处理和参数权重计算的过程。移动终端可以根据电量和业务等级自适应地选择合适的期望值进行网络排序计算。最后,根据本文研究内容在OPNET网络仿真平台搭建了两组网络仿真场景:LTE-WLAN仿真场景和LTE-UMTS-WLAN仿真场景,同时对本文提出的算法进行了仿真分析和数据对比验证。相关仿真数据表明:本文研究的TOPSIS基于预设期望值的自适应垂直切换算法能够避免不可靠的网络排序并减少不必要的网络切换,提高移动终端的续航能力和无线资源的利用率。
颛孙少帅[9]（2019）在《基于强化学习理论的通信干扰策略学习方法研究》文中指出随着电子战在现代战争中的地位愈加凸显,夺取电磁频谱的控制权已成为战场制胜的关键手段。由于干扰环境的复杂性以及敌方在通信过程中采用多种抗干扰技术、人工智能技术,极大地增加了成功干扰的难度。值得庆幸的是,认知干扰概念的提出,拉近了对抗双方在博弈能力上的差距。特别是将强化学习理论用于通信干扰策略学习,使得干扰设备在与环境的交互过程中不断调整干扰策略,克服了未知因素对学习的影响,并最终实现最优干扰策略的学习。当前对干扰策略的研究仍存在一定的问题,突出体现在耗费过多交互次数以及应用场景局限性。本文针对不同场景下干扰策略的学习方法展开研究,主要研究内容如下:（1）复杂未知的电磁环境致使目标信号的星座图发生不同程度的畸变,经典的最佳干扰策略往往并非最佳。为了学习到受畸变信号的最佳干扰样式,提出了一种针对高阶调制信号的通用干扰样式构造方法,通过正交分解的方式构造不同种类的干扰样式。现有强化学习算法用于最优干扰策略学习,试错次数多,收敛速度慢,论文分别从搜索和预测两个角度提高最优干扰策略学习的时效性。在搜索策略研究方面:（1）利用离散划分后干扰动作之间的相关特性,提出了一种基于正强化学习的干扰策略学习算法,通过提高最优策略被选中概率的方式,减少了学习过程中所需的交互次数。（2）为了降低正强化学习算法中策略选择的随机性,提出了一种基于双层强化学习的干扰策略学习算法,通过增加约束条件的方式缩小最优策略的搜索范围,进一步减少了学习过程中所需的交互次数。（3）为了降低双层强化学习算法中搜索方向的随机性,提出了一种基于局部搜索的干扰策略学习算法,通过逐步逼近最优策略的方式进一步减少学习所需的交互次数,此外还具备了边学习边干扰的能力。仿真实验表明,上述三种基于搜索的干扰策略学习算法所需的交互次数逐渐降低,同时学习过程中的干扰效率逐渐提升。在预测策略研究方面:（1）利用干扰策略值函数曲线单调递增的特点,提出了一种基于单调三次样条插值的干扰策略学习算法,通过非均匀插值的方式分别对值函数曲线进行预测,进而根据预测结果确定最优干扰策略。（2）为了克服插值点选择的难题,提出了一种基于值函数匹配的干扰策略学习算法,利用噪声分布特点事先构造值函数曲线库,然后利用少量样本点并结合正交匹配追踪方法预测真实曲线。（3）结合搜索策略的局部寻优能力以及预测策略的全局规划能力,提出了基于局部搜索和预测值函数的干扰策略学习算法。仿真实验表明,上述三种算法所需交互次数继续减少,该优势增强了强化学习理论在干扰策略学习中的实用性。（2）受到干扰后,为了恢复正常通信,敌方会通过增加功率、切换信道、改变调制样式等方式抵消干扰。此时,为了最大化干扰过程中的累积奖赏,需要学习不同环境状态与干扰动作之间的映射关系。（1）将干扰问题建模为马尔科夫决策过程后,提出了一种基于学徒学习的干扰策略学习算法,算法以干扰经验作为专家策略,以状态特征构造奖赏函数,通过学习特征权值的方式获得新的干扰策略,收敛所需的交互次数远少于常用的Q学习算法。（2）当敌方采用认知无线电技术动态选择接入信道时,提出了一种基于学徒学习的认知无线电干扰策略学习算法,算法以认知用户选择信道的历史记录作为专家策略,利用提出的8种特征表征状态值函数,实现对敌方信道选择策略的预测。仿真实验表明,所提算法能够取得更优的干扰效果。（3）在持续受到干扰后,敌方还会通过改变网络路由的方式规避干扰,此时,仅干扰网络中的单个节点不足以实现通信拒止的目的。（1）为了完成对目标网络的干扰,提出了一种基于改进CUCB算法的多节点干扰策略学习算法,算法采用合理的信度分配方式,利用UCB算法更新节点奖赏信息,通过干扰奖赏值更高的节点实现干扰效果最大化。（2）为了进一步提升网络干扰效果,从网络节点间的相关性出发,提出了一种基于节点相关性的多节点干扰策略学习算法。算法通过构造节点相关性矩阵的方式指导干扰节点选择,并利用交互获得的奖赏对矩阵进行更新。仿真实验表明,提出的两种多节点干扰策略学习算法具有更优的干扰效果以及环境鲁棒性,同时也验证了本文提出的新的网络层奖赏标准的有效性。（4）由于敌方特定通信目标常采用自适应调零天线等手段抵消干扰,此时单部干扰机已无法实现有效干扰,需要多干扰机协同干扰。（1）当多部干扰机之间存在控制中心时,由该中心利用现有的搜索或预测算法学习干扰策略并向受控干扰机分配干扰任务;（2）当多部干扰机以组网方式连接时,提出了基于公约的多干扰机协同干扰策略,在公约约束下,随着交互的进行,各干扰机分工也逐渐明确。（3）当多部干扰机之间因受干扰而无法通信时,提出了一种基于自信心的多干扰机协同干扰策略,干扰机根据各自的干扰行为以及环境反馈更新自信心值,并以该值指导后续干扰行为。仿真实验表明,经过少量次数交互后,以上三种协同干扰策略均能实现对目标信号的有效干扰,具有较高的干扰机利用率。本文研究了不同干扰任务下,应用强化学习理论进行通信干扰策略学习的问题,取得了一定的研究成果,为今后认知干扰的深入研究提供一定的参考价值。
马剑[10]（2019）在《面向工业应用的无线传感器网络链路资源调度研究》文中认为无线传感器网络（Wireless Sensor Networks,WSNs）由于布设成本低、使用灵活、部署广泛等优势获得工业测控领域的高度重视。根据对网络性能要求从低到高,国际自动化协会将工业应用分为监视、控制和生产安全三个等级。市场调研公司 ON World 关于工业无线传感器网络（Industrial Wireless Sensor Networks,IWSNs）的最新报告,以及IEEE旗舰期刊Proceedings在2016年对IWSNs技术的专题综述论文指出:目前IWSNs主要应用于对网络性能要求较低的监视级应用,在实时监控、生产安全等高级应用方面仍然面临诸多挑战,急需开展深入研究,是未来发展的重要方向。因此本文重点研究面向实时监控、生产安全和移动场景等高级工业应用的新型IWSNs网络架构和链路资源调度,主要成果和创新点如下:1.为了支持高级工业应用对网络性能的苛刻要求,本文借鉴智慧协同网络的架构思想,提出基于资源适配的IWSNs网络架构,通过对网络组件资源的精细划分,设计了资源适配协议以及控制与数据传输通道分离机制,实现工业应用与网络资源的适配,满足高级工业应用的网络性能需求。同时,本文在实际工业应用中搭建原型系统,为后续章节研究内容的部署和验证奠定基础。2.为了提高IWSNs多跳传输的可靠性,提出基于退让时隙的单路径重传资源调度算法。本文首先分析了现有共享时隙竞争机制的低可靠性,然后采用空闲信道评估和信道占用机制,设计了退让时隙组件,避免共享时隙竞争。其次,考虑数据包在多跳路径中重传的连续性和所需的空闲时隙,提出了基于数据流的连续时隙分配算法,提高资源利用率。最后,理论分析了不同资源调度策略的可靠性,并且在不同链路环境下对比实验。结果表明,随着链路丢包率的升高,本文提出的资源调度算法在足够共享时隙数量的情况下数据包接收率也能够达到99%以上,同时能够获得较高的时隙利用率和较低的节点能量消耗。3.多路径重传可有效提高IWSNs的可靠性,然而工业应用的实时性要求导致其调度成功率非常低。为此,本文提出一种基于多约束条件的多路径干扰避免资源调度算法。本文首先在数据传输周期多样化和信道受限的情况下,分析了时隙和信道资源调度的约束条件。其次,考虑到资源分配时所需遵循的路由顺序,提出了链路传输生成算法,并且通过分析多样化周期和多路径带来的资源调度干扰,采用速率单调策略、多接入点和重用共享时隙,提出了多路径干扰避免资源调度算法。最后通过仿真表明,本文提出的调度算法能够扩大网络规模,提升调度成功率,同时通过实验证明,本文算法能够保障数据传输的可靠性,并且降低数据传输的平均时延。4.工业生产安全应用要求网络能以最高的优先级处理突发紧急数据,需要IWSNs支持不同优先级的数据处理,然而现有IWSNs研究缺乏QoS支持。为此,本文提出基于紧急事件触发的优先接入控制机制。面向生产安全应用,本文首先建立了 IWSNs事件触发故障保护模型。通过设计周期数据传输、紧急告警和紧急信息传输的时隙组件,本文提出了一种优先接入控制机制,分别实现事件触发、资源抢占和数据实时传输,从本质上解决了网络中周期数据与突发紧急数据并存的资源调度问题。本文理论分析了该机制的实时性能,在实际焊接工厂中搭建故障保护系统进行对比实验,证明了本文机制对突发紧急数据传输的实时性能优势,并且在故障探测设备汇报周期较大的情况下可以减少带宽的使用。5.目前IWSNs主要应用于固定场景,但移动性支持是未来高级工业应用的发展趋势。因此,针对节点移动导致的数据失效问题,本文提出一种基于模糊逻辑控制的无缝移动切换策略。本文通过实际测试分析易获取的数据链路层参数,分别组建了三种移动切换触发评估参数,提出了基于模糊逻辑控制器的移动切换触发判决机制,减少了误切换和迟切换。为了降低移动节点的数据失效率以及减少链路注册次数,本文提出了一种基于分段时隙资源调度方案的无缝移动切换算法,该算法使得移动节点能够动态调度共享通信资源,实现移动过程中的数据传输,并在移动过程中进行移动状态评估,避免频繁链路注册。实验表明,相比于传统移动切换机制,本文策略能够有效降低移动节点的数据包丢失率和失效率以及能量消耗。
二、基于多路径自适应的无线网拓扑发现算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于多路径自适应的无线网拓扑发现算法（论文提纲范文）
（1）卫星动态光网络的路由和资源管理方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 卫星动态路由算法研究现状 |
| 1.2.2 全光网络波长路由研究现状 |
| 1.2.3 星上资源管理研究现状 |
| 1.3 论文研究内容和创新点 |
| 1.4 论文组织结构 |
| 第二章 卫星光网络中基于蜂群优化的RWA算法 |
| 2.1 引言 |
| 2.2 卫星光网络模型 |
| 2.2.1 卫星星座类型 |
| 2.2.2 卫星空间位置的数学模型 |
| 2.2.3 卫星光网络的路由设备 |
| 2.2.4 基于波长路由的卫星光网络模型 |
| 2.3 基于链路代价的蜂群优化RWA算法 |
| 2.3.1 蜂群算法基本原理 |
| 2.3.2 全局路由预计算和初始化 |
| 2.3.3 基于链路代价函数的路径搜索 |
| 2.3.4 基于可行解比较的全局优化 |
| 2.4 BCO-LCRWA算法仿真与性能分析 |
| 2.4.1 仿真参数设置 |
| 2.4.2 仿真结果与性能分析 |
| 2.5 本章小结 |
| 第三章 卫星光网络中基于安全路由策略的负载均衡算法 |
| 3.1 引言 |
| 3.2 卫星网络安全路由方案 |
| 3.2.1 空间网络的安全威胁 |
| 3.2.2 基于信任评估安全路由方案 |
| 3.3 基于安全路由的负载均衡算法 |
| 3.3.1 基于安全机制的负载修正模型 |
| 3.3.2 卫星光网络中基于安全策略的负载均衡算法 |
| 3.3.3 仿真与性能分析 |
| 3.4 本章小结 |
| 第四章 基于业务分流的卫星拥塞控制算法 |
| 4.1 引言 |
| 4.2 常见的网络服务机制 |
| 4.3 基于业务分布的流量修正模型 |
| 4.4 基于大流量业务需求的拥塞控制算法 |
| 4.4.1 拥塞控制问题优化模型 |
| 4.4.2 基于波长利用率的拥塞指标 |
| 4.4.3 基于人工蜂群机制的拥塞控制算法 |
| 4.4.4 仿真与性能分析 |
| 4.5 本章小结 |
| 第五章 基于多QoS保证的带宽分配方法 |
| 5.1 引言 |
| 5.2 宽带卫星系统模型 |
| 5.3 基于多QoS保证的动态带宽分配方法 |
| 5.3.1 跨层带宽分配模型 |
| 5.3.2 基于效用函数的优化模型 |
| 5.3.3 基于蜂群优化的动态带宽分配算法 |
| 5.4 BO-CL-DBA算法仿真性能分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录: 缩略语列表 |
| 致谢 |
| 攻读学位期间发表的学术论文和其他成果 |
（2）基于无线网络的船舶航向保持控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 船舶自动舵的研究现状 |
| 1.2.1 自动操舵仪的发展 |
| 1.2.2 自动舵的国内外研究现状 |
| 1.3 无线网络控制系统的研究现状 |
| 1.3.1 无线网络控制系统的常见问题 |
| 1.3.2 无线网络控制系统的国内外研究现状 |
| 1.4 无线网络在船舶中的应用研究 |
| 1.4.1 远程无线网络在船舶中的应用研究 |
| 1.4.2 近距无线网络在船舶中的应用研究 |
| 1.5 本领域待研究的问题 |
| 1.6 本文主要工作与内容 |
| 2 船舶无线传感器网络的节能优化研究 |
| 2.1 引言 |
| 2.2 无线传感器网络操作系统的研究 |
| 2.2.1 无线传感器网络操作系统的设计目标 |
| 2.2.2 无线传感器网络操作系统的低功耗调度机制 |
| 2.3 Mindows操作系统 |
| 2.3.1 Mindows的文件组织结构 |
| 2.3.2 定时器触发的实时抢占调度 |
| 2.3.3 信号量 |
| 2.3.4 队列 |
| 2.4 基于Mindows操作系统的无线传感器网络节点低功耗设计 |
| 2.4.1 微处理器的低功耗设计 |
| 2.4.2 外围设备的低功耗设计 |
| 2.4.3 电池管理实现 |
| 2.5 测试与验证 |
| 2.5.1 基于Mindows的节点节能测试 |
| 2.5.2 节点节能对比测试 |
| 2.6 本章小结 |
| 3 基于无线网络的船舶航向保持控制测试平台 |
| 3.1 引言 |
| 3.2 仿真测试平台设计及工作流程 |
| 3.3 仿真平台各模块功能 |
| 3.3.1 近距无线网络模块 |
| 3.3.2 远程无线网络模块 |
| 3.3.3 船舶模型模块 |
| 3.3.4 本地和远程控制器模块 |
| 3.4 节点硬件设计 |
| 3.5 节点软件设计 |
| 3.5.1 传感器和路由节点软件设计 |
| 3.5.2 协调器节点软件设计 |
| 3.6 界面设计 |
| 3.7 仿真实例 |
| 3.8 本章小结 |
| 4 基于灰色预测的船舶航向简捷鲁棒控制 |
| 4.1 引言 |
| 4.2 船舶平面运动数学模型 |
| 4.2.1 状态空间型船舶平面运动数学模型 |
| 4.2.2 航向保持系统非线性数学模型 |
| 4.3 灰色预测算法 |
| 4.3.1 GM(1,1)基本预测模型 |
| 4.3.2 改进的GM(1,1)预测模型 |
| 4.4 船舶航向简捷鲁棒控制器 |
| 4.4.1 闭环增益成形算法 |
| 4.4.2 简捷鲁棒控制器的设计 |
| 4.5 仿真实例 |
| 4.6 本章小结 |
| 5 基于冗余无线网络的船舶航向保持控制 |
| 5.1 引言 |
| 5.2 从通信角度出发设计多路径ZigBee网络 |
| 5.2.1 并行不相交多路径路由发现 |
| 5.2.2 基于能量均衡的并行不相交多路径选择策略 |
| 5.3 从控制角度出发设计船舶航向保持控制器 |
| 5.3.1 基于WiNCS的船舶航向保持控制器设计 |
| 5.3.2 灰色预测模型 |
| 5.3.3 基于非线性的船舶航向保持积分Backstepping简捷鲁棒控制器 |
| 5.4 仿真研究 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（3）基于吸引子的异构接入网络选择策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 异构网络的提出 |
| 1.1.2 现有异构网络的架构 |
| 1.2 课题研究现状 |
| 1.2.1 异构无线网络融合方式 |
| 1.2.2 异构无线网络的资源管理 |
| 1.2.3 异构无线网络的接入选择策略 |
| 1.2.4 保障QoS的接入选择策略 |
| 1.3 异构无线网络的挑战 |
| 1.4 论文的主要内容 |
| 1.5 论文的创新点与组织结构 |
| 1.5.1 论文创新点 |
| 1.5.2 论文组织结构 |
| 1.6 参考文献 |
| 第二章 异构自适应接入网模型的构建 |
| 2.1 无线网络融合架构 |
| 2.1.1 相关研究 |
| 2.1.2 融合架构模式 |
| 2.1.3 融合接入网管理模式 |
| 2.2 异构网络(P-HN)模型 |
| 2.2.1 数据包格式转化模块 |
| 2.2.2 控制模块 |
| 2.3 吸引子选择算法 |
| 2.3.1 算法的生物学原理 |
| 2.3.2 吸引子选择算法的数学模型 |
| 2.3.3 吸引子选择模型中的活性因子 |
| 2.4 基于吸引子算法的网络选择策略 |
| 2.4.1 系统模型 |
| 2.4.2 P-HN网络中的吸引子算法模型 |
| 2.4.3 P-HN中吸引子选择过程 |
| 2.4.4 活性因子表达式 |
| 2.5 仿真结果与分析 |
| 2.5.1 P-HN融合仿真 |
| 2.5.2 吸引子选择策略仿真 |
| 2.6 本章小结 |
| 2.7 参考文献 |
| 第三章 异构网络中基于吸引子的流量卸载策略 |
| 3.1 问题的提出 |
| 3.2 P-HN的流量卸载模型 |
| 3.3 P-HN中的吞吐量 |
| 3.3.1 PLC网络的吞吐量 |
| 3.3.2 蜂窝网络的吞吐量 |
| 3.4 基于吸引子的流量卸载策略 |
| 3.4.1 流量卸载的数学表达 |
| 3.4.2 算法实现 |
| 3.5 仿真结果与分析 |
| 3.5.1 参数设置 |
| 3.5.2 仿真结果 |
| 3.6 本章小结 |
| 3.7 参考文献 |
| 第四章 异构网络中基于用户排队时延的网络选择策略 |
| 4.1 问题的提出 |
| 4.2 网络模型及问题推导 |
| 4.2.1 网络模型 |
| 4.2.2 问题的推导 |
| 4.3 基于排队时延的吸引子网络选择策略 |
| 4.3.1 选择策略的数学表达 |
| 4.3.2 活性因子的映射 |
| 4.3.3 网络选择策略实现过程 |
| 4.4 仿真与分析 |
| 4.4.1 双网络选择模型仿真与分析 |
| 4.4.2 多网络选择模型仿真与分析 |
| 4.4.3 接入网络策略的仿真与分析 |
| 4.5 本章小结 |
| 4.6 参考文献 |
| 第五章 异构网络中基于业务优先级的网络选择策略 |
| 5.1 优先级网络选择模型及推导 |
| 5.1.1 异构网络优先级队列管理模型 |
| 5.1.2 异构网络中双优先级队列模型 |
| 5.1.3 双优先级队列模型的推导 |
| 5.2 基于优先级的网络选择策略 |
| 5.2.1 网络选择模型的数学表达 |
| 5.2.2 活性因子的映射 |
| 5.2.3 网络选择策略实现过程 |
| 5.3 仿真与分析 |
| 5.3.1 仿真场景 |
| 5.3.2 性能分析 |
| 5.4 本章小结 |
| 5.5 参考文献 |
| 第六章 总结与展望 |
| 6.1 全文主要工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 附录 缩略语表 |
| 攻读学位期间取得的研究成果 |
（4）基于机器学习的无线网络负载优化方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 英文缩略语 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状与挑战 |
| 1.2.1 无线网络负载优化相关研究 |
| 1.2.2 机器学习在无线网络中的应用 |
| 1.3 本文的主要工作 |
| 1.3.1 智能无线网络架构设计与分析 |
| 1.3.2 基于单节点机器学习的负载优化 |
| 1.3.3 基于多节点机器学习的负载优化 |
| 1.3.4 基于多智能体机器学习的负载优化 |
| 1.4 本文组织结构 |
| 第二章 智能无线网络架构设计与分析 |
| 2.1 引言 |
| 2.2 技术背景 |
| 2.2.1 无线网络认知技术 |
| 2.2.2 移动云计算 |
| 2.2.3 移动边缘计算 |
| 2.3 数据流架构 |
| 2.3.1 认知数据与方法 |
| 2.3.2 无线大数据认知流 |
| 2.4 计算流架构 |
| 2.4.1 云与边缘智能 |
| 2.4.2 分布式与并行化学习框架 |
| 2.4.3 可拓展型学习算法 |
| 2.5 模型与数据协同驱动 |
| 2.6 应用案例 |
| 2.7 本章小结 |
| 第三章 基于单节点机器学习的负载优化 |
| 3.1 引言 |
| 3.2 基于高斯过程的无线流量预测模型 |
| 3.2.1 基准高斯预测模型 |
| 3.2.2 模型核函数设计 |
| 3.2.3 模型超参数训练 |
| 3.3 基于深度强化学习的负载均衡模型 |
| 3.3.1 强化学习基础 |
| 3.3.2 用户切换模型 |
| 3.3.3 负载均衡问题建模 |
| 3.3.4 基于深度强化学习的负载均衡算法 |
| 3.4 仿真验证与结果分析 |
| 3.4.1 无线流量预测与基于负载感知的基站休眠 |
| 3.4.2 自组织网络的负载均衡 |
| 3.5 本章小结 |
| 第四章 基于多节点机器学习的负载优化 |
| 4.1 引言 |
| 4.2 基于分布式高斯过程的多节点负载预测框架 |
| 4.2.1 整体框架设计 |
| 4.2.2 基于矩阵近似的分布式训练算法 |
| 4.2.3 基于矩阵分块的分布式训练算法 |
| 4.2.4 基于交叉验证的分布式预测算法 |
| 4.3 基于分布式深度强化学习的多节点负载均衡框架 |
| 4.3.1 整体框架设计 |
| 4.3.2 基于负载感知的基站聚类算法 |
| 4.3.3 基于多探索策略的分布式学习算法 |
| 4.4 仿真验证与结果分析 |
| 4.4.1 分布式无线流量预测 |
| 4.4.2 大规模自组织网络负载均衡 |
| 4.5 本章小结 |
| 第五章 基于多智能体机器学习的负载优化 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 多智能体马尔可夫决策过程 |
| 5.2.2 目标问题 |
| 5.3 基于投票机制的多智能体强化学习 |
| 5.3.1 投票机制 |
| 5.3.2 分布式多智能体强化学习算法 |
| 5.4 收敛性分析 |
| 5.5 仿真验证与结果分析 |
| 5.5.1 理论验证 |
| 5.5.2 无人机辅助的负载分流 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所取得的研究成果 |
（5）缓存、计算资源受限下无线网络吞吐量优化策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表 |
| 符号表 |
| 一 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状及挑战 |
| 1.3 主要研究工作 |
| 二 网络优化调度理论 |
| 2.1 网络吞吐量的图论模型 |
| 2.2 算法复杂度理论 |
| 2.3 经典调度策略 |
| 2.4 本章小结 |
| 三 缓存资源受限下吞吐量优化 |
| 3.1 系统模型与问题建模 |
| 3.2 任意拓扑下文件缓存策略的复杂度分析 |
| 3.3 一种次线性文件缓存策略 |
| 3.4 数值性能评估 |
| 3.5 本章小结 |
| 四 计算资源受限下吞吐量优化 |
| 4.1 系统模型与问题建模 |
| 4.2 任意拓扑下计算任务调度策略的复杂度分析 |
| 4.3 一种分布式任务调度策略 |
| 4.4 数值性能评估 |
| 4.5 本章小结 |
| 五 缓存-计算资源联合优化框架 |
| 5.1 面向对象组网体系结构 |
| 5.2 面向对象的转发流程设计 |
| 5.3 基于NS-3的优化框架实验评估 |
| 5.4 本章小结 |
| 六 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 致谢 |
| 参考文献 |
| 附录1 博士期间发表论文 |
| 附录2 博士期间参加项目 |
（6）基于网内缓存的视频传输建模与优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 有线局域网中的网内缓存研究 |
| 1.2.2 移动蜂窝网中的网内缓存研究 |
| 1.3 本文主要工作 |
| 1.4 本文的组织结构 |
| 第二章 基于网内变长间隔缓存的软件定义网络视频传输优化 |
| 2.1 引言 |
| 2.1.1 基于NFV的CDN和网内缓存架构研究 |
| 2.1.2 SDN协助的缓存管理和视频传输研究 |
| 2.1.3 针对VoD服务的缓存置换策略研究 |
| 2.2 网内缓存协助的软件定义视频流化传输系统架构 |
| 2.2.1 系统架构 |
| 2.2.2 缓存机制 |
| 2.2.3 服务流程 |
| 2.3 基于滑动窗口机制的变长间隔缓存策略 |
| 2.3.1 缓存窗口状态演化模型 |
| 2.3.2 基于变长滑动窗口的网内缓存机制 |
| 2.3.3 网内缓存协助的视频传输策略 |
| 2.4 系统性能理论分析 |
| 2.5 原型系统搭建和应用示范 |
| 2.6 性能评估 |
| 2.6.1 性能评价指标 |
| 2.6.2 仿真场景设置 |
| 2.6.3 仿真实验结果分析 |
| 2.7 本章小结 |
| 第三章 超高密度5G蜂窝网中基于多智能体深度强化学习的协作边缘缓存 |
| 3.1 引言 |
| 3.1.1 基于最优化理论的缓存策略设计 |
| 3.1.2 基于机器学习的缓存策略设计 |
| 3.1.3 基于深度强化学习的缓存策略设计 |
| 3.2 系统模型和问题描述 |
| 3.2.1 系统模型 |
| 3.2.2 问题建模 |
| 3.3 基于多智能体深度强化学习的网内协作边缘缓存 |
| 3.3.1 多智能体Actor-Critic协作框架 |
| 3.3.2 内容请求预测 |
| 3.3.3 用户接入预测 |
| 3.3.4 基于多智能体深度强化学习的分布式协作缓存决策 |
| 3.4 性能评估 |
| 3.4.1 仿真设置 |
| 3.4.2 性能指标 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第四章 针对移动用户视频传输业务的移动性感知网内预缓存 |
| 4.1 引言 |
| 4.2 系统模型和问题描述 |
| 4.2.1 系统架构 |
| 4.2.2 问题描述 |
| 4.3 移动性感知的预缓存策略 |
| 4.3.1 基于CVAE模型的移动轨迹预测 |
| 4.3.2 基于深度Actor-Critic框架的预缓存策略 |
| 4.4 性能评估 |
| 4.4.1 基于CVAE模型的移动轨迹预测 |
| 4.4.2 基于深度Actor-Critic框架的预缓存策略 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（7）基于强化学习的认知无线网络跨层设计及优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 认知无线电的概念与潜在应用 |
| 1.2.1 认知无线电的概念 |
| 1.2.2 认知无线电的潜在应用 |
| 1.2.2.1 在民用领域的应用 |
| 1.2.2.2 在军事领域的应用 |
| 1.3 基于强化学习的认知无线网络跨层优化研究现状 |
| 1.3.1 基于单智能体架构的学习方法 |
| 1.3.2 基于松耦合多智能体系统的学习方法 |
| 1.3.3 基于博弈论的多智能体学习方法 |
| 1.4 论文主要工作及创新点 |
| 1.4.1 论文主要工作 |
| 1.4.2 论文创新点 |
| 1.5 论文结构安排 |
| 第二章 强化学习与跨层设计 |
| 2.1 引言 |
| 2.2 强化学习理论 |
| 2.2.1 强化学习问题定义 |
| 2.2.2 强化学习基本框架 |
| 2.2.2.1 动态规划 |
| 2.2.2.2 基于模型的强化学习 |
| 2.2.2.3 免模型强化学习 |
| 2.2.3 强化学习中的重要算法 |
| 2.2.3.1 深度Q网络 |
| 2.2.3.2 多智能体Q学习算法 |
| 2.3 跨层设计及优化 |
| 2.3.1 跨层设计的概念及意义 |
| 2.3.2 跨层设计的架构及应用 |
| 2.3.2.1 跨层设计实施架构 |
| 2.3.2.2 跨层设计在认知无线网络中的应用 |
| 2.3.3 跨层设计面临的挑战 |
| 2.4 本章小结 |
| 第三章 基于单智能体学习框架的跨层优化研究 |
| 3.1 引言 |
| 3.2 源节点与中继节点异质场景下的系统模型 |
| 3.2.1 网络模型 |
| 3.2.2 帧结构模型 |
| 3.3 跨层优化问题建模 |
| 3.3.1 路径责任等级 |
| 3.3.2 问题模型 |
| 3.3.2.1 马尔科夫决策过程 |
| 3.3.2.2 路径责任等级的收敛性分析 |
| 3.4 基于PM-DQN算法的路由协议与资源管理联合设计方案 |
| 3.4.1 基于内存优化的深度Q网络 |
| 3.4.2 基于PM-DQN算法的联合路由设计与资源管理方案 |
| 3.5 仿真实验与结果分析 |
| 3.5.1 仿真环境设置 |
| 3.5.2 跨层设计方案整体性能 |
| 3.5.3 算法有效性评估 |
| 3.5.4 算法鲁棒性评估 |
| 3.5.5 学习率和Q值的作用效果 |
| 3.5.6 算法复杂度分析 |
| 3.6 本章小结 |
| 第四章 基于多智能体学习策略的跨层路由设计 |
| 4.1 引言 |
| 4.2 基于半合作式多智能体Q学习的平面路由协议 |
| 4.2.1 同构网络场景下平面路由的系统模型 |
| 4.2.2 跨层优化问题建模 |
| 4.2.2.1 综合效用函数 |
| 4.2.2.2 单跳责任等级 |
| 4.2.2.3 问题建模 |
| 4.2.3 基于策略推测型多智能体Q学习算法的跨层路由设计 |
| 4.2.3.1 基于等奖励时隙的策略推测式多智能体Q学习算法 |
| 4.2.3.2 算法收敛性分析 |
| 4.2.4 仿真实验及结果分析 |
| 4.3 基于能耗权重分簇的层次路由协议 |
| 4.3.1 同构网络中层次路由的系统模型 |
| 4.3.2 基于能耗权重的分簇算法 |
| 4.3.2.1 能耗权重 |
| 4.3.2.2 基于能耗权重的启发式分簇算法 |
| 4.3.3 簇间通信跨层路由协议设计 |
| 4.3.3.1 簇间通信问题建模 |
| 4.3.3.2 基于ERT-CMADQL算法的簇间跨层路由协议 |
| 4.3.4 仿真实验及结果分析 |
| 4.4 本章小结 |
| 第五章 基于学徒学习的路由协议和资源管理研究 |
| 5.1 引言 |
| 5.2 基于专家演示数据的深度Q学习算法 |
| 5.3 基于PM-DQf D算法的联合路由设计与资源管理方案 |
| 5.3.1 单智能体学徒学习方案的系统模型 |
| 5.3.2 学习框架构建 |
| 5.3.2.1 强化型路径责任等级 |
| 5.3.2.2 问题建模 |
| 5.3.3 基于PM-DQf D算法的联合路由设计与资源管理方案 |
| 5.3.3.1 基于专家演示数据的内存优化型深度Q学习算法 |
| 5.3.3.2 基于PM-DQf D算法的联合路由设计与资源管理方案 |
| 5.3.4 仿真实验及结果分析 |
| 5.3.4.1 仿真环境设置 |
| 5.3.4.2 仿真结果 |
| 5.3.4.3 算法时间复杂度分析 |
| 5.3.4.4 应用场景讨论 |
| 5.4 基于多专家演示型学徒学习算法的跨层路由协议 |
| 5.4.1 多智能体学徒学习方案的系统模型 |
| 5.4.2 联合优化问题建模 |
| 5.4.2.1 强化型单跳责任等级 |
| 5.4.2.2 问题建模 |
| 5.4.3 半径自适应型 Bregman球模型 |
| 5.4.4 基于多专家演示型深度Q学习算法的跨层路由协议 |
| 5.4.5 仿真实验及结果分析 |
| 5.4.5.1 仿真环境设置 |
| 5.4.5.2 仿真结果分析 |
| 5.5 本章小结 |
| 第六章 基于端到端性能的抗干扰决策算法 |
| 6.1 引言 |
| 6.2 多跳网络抗干扰模型 |
| 6.2.1 系统模型 |
| 6.2.2 双门限路径责任等级 |
| 6.3 基于端到端性能的认知无线网络抗干扰决策算法 |
| 6.3.1 基于竞争架构的深度Q网络 |
| 6.3.2 基于端到端性能的抗干扰决策算法 |
| 6.4 仿真结果分析 |
| 6.4.1 仿真环境设置 |
| 6.4.2 仿真结果分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（8）异构无线网络基于预设期望值的自适应垂直切换（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外垂直切换算法研究现状 |
| 1.2.1 垂直切换判决策略 |
| 1.2.2 多属性垂直切换判决算法 |
| 1.2.3 存在的问题 |
| 1.3 本文的主要内容和结构安排 |
| 第2章 LTE/UMTS/WLAN异构无线网络技术 |
| 2.1 引言 |
| 2.2 LTE网络概述 |
| 2.2.1 LTE系统架构 |
| 2.2.2 LTE接口协议 |
| 2.3 UMTS网络概述 |
| 2.3.1 UMTS系统架构 |
| 2.3.2 UMTS接口协议 |
| 2.4 WLAN网络概述 |
| 2.4.1 WLAN系统架构 |
| 2.4.2 WLAN网络协议 |
| 2.5 LTE网络、UMTS网络和WLAN网络之间的差异 |
| 2.6 本章小结 |
| 第3章 异构网络融合的垂直切换技术 |
| 3.1 异构网络互联互通方案 |
| 3.1.1 紧耦合 |
| 3.1.2 松耦合 |
| 3.1.3 本论文研究的融合网络架构方案 |
| 3.2 垂直切换技术的概述 |
| 3.2.1 切换的分类 |
| 3.2.2 垂直切换的过程简述 |
| 3.2.3 垂直切换的判决参数及性能要求 |
| 3.3 典型的垂直切换判决算法 |
| 3.3.1 基于判决函数的切换算法 |
| 3.3.2 基于多目标优化的切换算法 |
| 3.3.3 基于博弈论的切换算法 |
| 3.3.4 基于模糊逻辑的切换算法 |
| 3.3.5 基于多属性判决的切换算法 |
| 3.4 本章小结 |
| 第4章 基于预设期望值的自适应垂直切换算法 |
| 4.1 引言 |
| 4.2 多属性垂直切换算法 |
| 4.2.1 多属性判决参数选择 |
| 4.2.2 传统的TOPSIS算法 |
| 4.3 自适应期望值的确定 |
| 4.3.1 电量和业务关联机制 |
| 4.3.2 期望值自适应调整 |
| 4.4 基于预设期望值的自适应垂直切换算法 |
| 4.4.1 基于预设期望值的TOPSIS算法 |
| 4.4.2 基于预设期望值的自适应垂直切换算法流程 |
| 4.5 本章小结 |
| 第5章 基于预设期望值的异构网络建模与算法仿真 |
| 5.1 引言 |
| 5.2 网络建模与分析 |
| 5.2.1 仿真场景搭建 |
| 5.2.2 参数设置 |
| 5.3 仿真结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 今后工作展望 |
| 参考文献 |
| 附录A |
| 附录B |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（9）基于强化学习理论的通信干扰策略学习方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.1.1 夺取电磁频谱控制权已成为现代战争的首要任务 |
| 1.1.2 新时代电子战发展呼唤认知干扰技术 |
| 1.2 干扰技术研究现状 |
| 1.2.1 当前干扰方法 |
| 1.2.2 机器学习 |
| 1.2.3 美军电子战发展状况 |
| 1.3 目前通信干扰技术面临的问题 |
| 1.4 论文的主要内容及文章结构 |
| 第二章 基础理论 |
| 2.1 引言 |
| 2.2 强化学习 |
| 2.2.1 强化学习的概念 |
| 2.2.2 强化学习主流算法 |
| 2.2.3 强化学习的应用 |
| 2.3 战场干扰模型 |
| 2.3.1 物理层干扰模型 |
| 2.3.2 网络层干扰模型 |
| 2.3.3 多臂老虎机模型 |
| 2.3.4 马尔科夫决策过程模型 |
| 2.4 高阶调制信号 |
| 2.4.1 调制解调过程 |
| 2.4.2 信号的种类与特点 |
| 2.4.3 星座图畸变 |
| 2.5 干扰策略 |
| 2.5.1 干扰策略的组成 |
| 2.5.2 针对高阶调制信号的干扰策略 |
| 2.5.3 干扰参数划分 |
| 2.5.4 干扰策略学习时间 |
| 2.6 奖赏标准 |
| 2.6.1 物理层奖赏依据 |
| 2.6.2 网络层奖赏依据 |
| 2.7 本章小结 |
| 第三章 基于搜索的未知环境下干扰策略学习方法 |
| 3.1 引言 |
| 3.2 一种基于正交分解的通用最佳干扰样式 |
| 3.2.1 不同环境下的最佳干扰样式 |
| 3.2.2 仿真实验及结果分析 |
| 3.3 基于正强化学习的干扰策略学习算法 |
| 3.3.1 正强化学习 |
| 3.3.2 算法步骤 |
| 3.3.3 仿真实验及结果分析 |
| 3.4 基于双层强化学习的干扰策略学习算法 |
| 3.4.1 双层强化学习 |
| 3.4.2 算法步骤 |
| 3.4.3 仿真实验及结果分析 |
| 3.5 基于局部搜索的干扰策略学习算法 |
| 3.5.1 局部搜索 |
| 3.5.2 算法步骤 |
| 3.5.3 仿真实验及结果分析 |
| 3.6 本章小结 |
| 第四章 基于预测的未知环境下干扰策略学习方法 |
| 4.1 引言 |
| 4.2 预测动作值函数 |
| 4.3 基于单调三次样条插值的干扰策略学习算法 |
| 4.3.1 样条插值 |
| 4.3.2 算法步骤 |
| 4.3.3 仿真实验及结果分析 |
| 4.4 基于值函数匹配的干扰策略学习算法 |
| 4.4.1 构造值函数 |
| 4.4.2 算法步骤 |
| 4.4.3 仿真实验及结果分析 |
| 4.5 基于局部搜索与预测值函数的干扰策略学习算法 |
| 4.5.1 算法步骤 |
| 4.5.2 仿真实验及结果分析 |
| 4.6 搜索方法与预测方法学习性能对比 |
| 4.7 本章小结 |
| 第五章 基于学徒学习的干扰策略学习方法 |
| 5.1 引言 |
| 5.2 学徒学习 |
| 5.3 基于专家经验的干扰策略学习算法 |
| 5.3.1 动态变化的目标信号建模分析 |
| 5.3.2 状态特征与干扰经验 |
| 5.3.3 算法步骤 |
| 5.3.4 仿真实验及结果分析 |
| 5.4 基于认知用户信道选择策略的干扰策略学习算法 |
| 5.4.1 空闲信道上的策略博弈 |
| 5.4.2 信道特征 |
| 5.4.3 算法步骤 |
| 5.4.4 仿真实验及结果分析 |
| 5.5 本章小结 |
| 第六章 未知拓扑无线自组网络多节点干扰策略学习方法 |
| 6.1 引言 |
| 6.2 战场无线自组网络 |
| 6.3 基于改进CUCB算法的无线自组网络多节点干扰策略学习算法 |
| 6.3.1 CUCB算法 |
| 6.3.2 算法步骤 |
| 6.3.3 仿真实验及结果分析 |
| 6.4 基于节点相关性的无线自组网络多节点干扰策略学习算法 |
| 6.4.1 节点相关性 |
| 6.4.2 算法步骤 |
| 6.4.3 仿真实验及结果分析 |
| 6.5 本章小结 |
| 第七章 多干扰机协同干扰策略学习方法 |
| 7.1 引言 |
| 7.2 基于多臂老虎机模型的多干扰机协同干扰策略学习方法 |
| 7.2.1 基于局部搜索和预测值函数的多干扰机协同干扰策略 |
| 7.2.2 基于公约的多干扰机协同干扰策略 |
| 7.2.3 基于自信心的多干扰机协同干扰策略 |
| 7.2.4 仿真实验及结果分析 |
| 7.3 本章小结 |
| 第八章 总结与展望 |
| 8.1 全文总结 |
| 8.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录A 美军电子战项目汇总 |
| 附录B 美军电子战相关报告 |
（10）面向工业应用的无线传感器网络链路资源调度研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 简略符号注释表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究背景 |
| 1.2.1 IWSNs概述 |
| 1.2.2 IWSNs基本结构 |
| 1.2.3 IWSNs特点 |
| 1.3 研究现状 |
| 1.3.1 IWSNs相关标准 |
| 1.3.2 国内外研究现状 |
| 1.4 论文主要工作与创新点 |
| 1.5 论文组织结构 |
| 2 基于资源适配的IWSNs网络架构 |
| 2.1 引言 |
| 2.2 基于资源适配的IWSNs网络架构描述 |
| 2.2.1 工业应用服务层 |
| 2.2.2 资源适配层 |
| 2.2.3 网络组件层 |
| 2.3 系统设计与实现 |
| 2.3.1 系统概述 |
| 2.3.2 网络通信流程 |
| 2.3.3 资源适配协议 |
| 2.3.4 控制与数据传输通道分离机制 |
| 2.4 系统应用 |
| 2.5 本章小结 |
| 3 基于退让时隙的单路径重传资源调度算法 |
| 3.1 引言 |
| 3.2 共享时隙竞争成功率分析 |
| 3.3 单路径重传资源调度算法 |
| 3.3.1 系统模型 |
| 3.3.2 退让时隙(CTS)设计 |
| 3.3.3 基于数据流的连续时隙调度算法 |
| 3.4 性能分析与实验评估 |
| 3.4.1 传输可靠性分析 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 4 基于多约束条件的多路径重传资源调度算法 |
| 4.1 引言 |
| 4.2 系统模型与问题描述 |
| 4.3 多路径重传链路传输生成算法 |
| 4.4 干扰避免资源调度算法 |
| 4.4.1 基于RM的链路资源调度策略 |
| 4.4.2 多接入点和多信道方法 |
| 4.4.3 重用共享时隙方法 |
| 4.5 实验与性能评估 |
| 4.5.1 仿真实验评估 |
| 4.5.2 系统实验评估 |
| 4.6 本章小结 |
| 5 基于紧急事件触发的优先接入控制机制 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 IWSNs系统描述 |
| 5.2.2 功能安全模型 |
| 5.3 事件触发优先接入控制机制 |
| 5.3.1 周期数据传输时隙 |
| 5.3.2 紧急告警时隙 |
| 5.3.3 紧急信息传输时隙 |
| 5.3.4 紧急事件处理和命令下发过程 |
| 5.4 实时性能指标分析 |
| 5.4.1 安全功能响应时间(SFRT)评估 |
| 5.4.2 最短安全功能响应时间(mSFRT)评估 |
| 5.4.3 正常状态中断时间(NSIT)评估 |
| 5.5 实验与性能评估 |
| 5.5.1 实验调度说明 |
| 5.5.2 故障保护时延评估 |
| 5.5.3 正常状态中断时间(NSIT)评估 |
| 5.5.4 数据传输带宽评估 |
| 5.6 本章小结 |
| 6 基于模糊逻辑控制的无缝移动切换策略 |
| 6.1 引言 |
| 6.2 移动切换触发参数 |
| 6.2.1 移动状态评估参数 |
| 6.2.2 链路质量评估参数 |
| 6.2.3 数据包传输状态评估参数 |
| 6.3 移动切换触发判决机制 |
| 6.3.1 隶属函数构造过程 |
| 6.3.2 模糊消除器 |
| 6.4 基于模糊逻辑控制的无缝移动切换策略 |
| 6.4.1 系统模型 |
| 6.4.2 无缝移动切换算法 |
| 6.5 实验与性能评估 |
| 6.5.1 参数评估 |
| 6.5.2 性能评估 |
| 6.6 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 未来研究工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
四、基于多路径自适应的无线网拓扑发现算法（论文参考文献）
- [1]卫星动态光网络的路由和资源管理方法研究[D]. 刘晔祺. 北京邮电大学, 2021(01)
- [2]基于无线网络的船舶航向保持控制研究[D]. 姜日凡. 大连海事大学, 2020(04)
- [3]基于吸引子的异构接入网络选择策略研究[D]. 吴欢. 北京邮电大学, 2020(02)
- [4]基于机器学习的无线网络负载优化方法研究[D]. 徐越. 北京邮电大学, 2020(04)
- [5]缓存、计算资源受限下无线网络吞吐量优化策略研究[D]. 刘铂熙. 华中科技大学, 2020(01)
- [6]基于网内缓存的视频传输建模与优化[D]. 姚振. 中国科学技术大学, 2020(09)
- [7]基于强化学习的认知无线网络跨层设计及优化研究[D]. 杜奕航. 国防科技大学, 2019(01)
- [8]异构无线网络基于预设期望值的自适应垂直切换[D]. 梁巧君. 深圳大学, 2019(11)
- [9]基于强化学习理论的通信干扰策略学习方法研究[D]. 颛孙少帅. 国防科技大学, 2019(01)
- [10]面向工业应用的无线传感器网络链路资源调度研究[D]. 马剑. 北京交通大学, 2019(01)