認(rèn)知無(wú)線網(wǎng)絡(luò)中的人工智能

第1章 認(rèn)知無(wú)線網(wǎng)絡(luò)與人工智能
1.1 認(rèn)知無(wú)線網(wǎng)絡(luò)
1.1.1 認(rèn)知無(wú)線網(wǎng)絡(luò)概述
1.1.2 認(rèn)知環(huán)路與認(rèn)知引擎
1.2 人工智能概述
1.2.1 人工智能的定義和發(fā)展
1.2.2 人工智能的研究領(lǐng)域
1.3 人工智能在認(rèn)知無(wú)線網(wǎng)絡(luò)中的應(yīng)用
1.3.1 環(huán)境感知、推理階段的應(yīng)用
1.3.2 認(rèn)知學(xué)習(xí)階段的應(yīng)用
1.3.3 智能優(yōu)化階段的應(yīng)用
本章參考文獻(xiàn)
第2章 增強(qiáng)學(xué)習(xí)算法在認(rèn)知網(wǎng)絡(luò)中的應(yīng)用
2.1 增強(qiáng)學(xué)習(xí)算法概述
2.1.1 增強(qiáng)學(xué)習(xí)的基本原理
2.1.2 增強(qiáng)學(xué)習(xí)系統(tǒng)的主要組成要素
2.1.3 增強(qiáng)學(xué)習(xí)的數(shù)學(xué)模型
2.2 增強(qiáng)學(xué)習(xí)算法的應(yīng)用舉例
2.2.1 Q學(xué)習(xí)算法在綠色認(rèn)知無(wú)線網(wǎng)絡(luò)中的應(yīng)用
2.2.2 多跳認(rèn)知無(wú)線網(wǎng)絡(luò)中基于增強(qiáng)學(xué)習(xí)的頻譜感知路由
2.2.3 增強(qiáng)學(xué)習(xí)算法在認(rèn)知無(wú)線電頻譜檢測(cè)中的應(yīng)用
2.2.4 基于增強(qiáng)學(xué)習(xí)的CR技術(shù)在地面多播通信系統(tǒng)中的應(yīng)用
2.2.5 Nash-Stackelberg模糊Q學(xué)習(xí)決策方法在異構(gòu)認(rèn)知網(wǎng)絡(luò)中的應(yīng)用
2.2.6 認(rèn)知無(wú)線網(wǎng)絡(luò)中基于增強(qiáng)學(xué)習(xí)的動(dòng)態(tài)頻譜分配拍賣算法
本章參考文獻(xiàn)
第3章 人工神經(jīng)網(wǎng)絡(luò)在認(rèn)知網(wǎng)絡(luò)中的應(yīng)用
3.1 人工神經(jīng)網(wǎng)絡(luò)概述
3.1.1 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
3.1.2 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
3.1.3 典型的人工神經(jīng)網(wǎng)絡(luò)模型
3.1.4 BP神經(jīng)網(wǎng)絡(luò)
3.2 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用舉例
3.2.1 認(rèn)知無(wú)線Mesh網(wǎng)絡(luò)中基于神經(jīng)網(wǎng)絡(luò)的頻譜感知
3.2.2 動(dòng)態(tài)信道選擇中基于神經(jīng)網(wǎng)絡(luò)的認(rèn)知控制器
3.2.3 認(rèn)知網(wǎng)絡(luò)中基于頻譜相關(guān)性和神經(jīng)網(wǎng)絡(luò)的信號(hào)分類
3.2.4 認(rèn)知無(wú)線云中基于神經(jīng)動(dòng)力學(xué)的分布式優(yōu)化
3.2.5 認(rèn)知無(wú)線電中基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和自適應(yīng)
本章參考文獻(xiàn)
第4章 遺傳算法在認(rèn)知網(wǎng)絡(luò)中的應(yīng)用
4.1 遺傳算法概述
4.1.1 遺傳算法的概念
4.1.2 遺傳算法的算法流程
4.1.3 遺傳算法的特點(diǎn)
4.1.4 遺傳算法的應(yīng)用
4.2 遺傳算法的應(yīng)用舉例
4.2.1 基于遺傳算法的無(wú)線多載波收發(fā)器認(rèn)知引擎
4.2.2 基于多目標(biāo)免疫遺傳算法的認(rèn)知無(wú)線電參數(shù)設(shè)計(jì)
4.2.3 認(rèn)知無(wú)線網(wǎng)絡(luò)中基于遺傳算法的重配置技術(shù)
本章參考文獻(xiàn)
第5章 隱馬爾可夫模型在認(rèn)知無(wú)線網(wǎng)絡(luò)中的應(yīng)用
5.1 隱馬爾可夫模型概述
5.1.1 隱馬爾可夫模型的概念及數(shù)學(xué)表示
5.1.2 在HMM中存在三個(gè)基本問題
5.1.3 解決問題的相關(guān)算法
5.1.4 缺陷
5.2 隱馬爾可夫模型在認(rèn)知無(wú)線電中的應(yīng)用
5.2.1 基于HMM的信道狀態(tài)預(yù)測(cè)器
5.2.2 基于隱馬爾可夫模型的頻譜感知模型
5.2.3 隱馬爾可夫模型的動(dòng)態(tài)頻譜分配：泊松分布案例
本章參考文獻(xiàn)
第6章 案例學(xué)習(xí)算法在認(rèn)知無(wú)線網(wǎng)絡(luò)中的應(yīng)用
6.1 案例學(xué)習(xí)算法概述
6.1.1 案例描述和索引
6.1.2 典型的案例學(xué)習(xí)算法
6.1.3 案例檢索和修改
6.1.4 基于案例的推理
6.2 案例學(xué)習(xí)算法的應(yīng)用舉例
6.2.1 案例學(xué)習(xí)算法在無(wú)線電環(huán)境圖中的應(yīng)用
6.2.2 案例學(xué)習(xí)算法在認(rèn)知無(wú)線電wiMAX中的應(yīng)用
6.2.3 認(rèn)知無(wú)線電中提高空間效率和針對(duì)多目標(biāo)的案例學(xué)習(xí)
6.2.4 認(rèn)知無(wú)線電中采用案例學(xué)習(xí)和協(xié)作濾波的有效頻譜分配
6.2.5 3 G網(wǎng)絡(luò)用于提高覆蓋范圍的混合認(rèn)知引擎
本章參考文獻(xiàn)