一、无线通讯系统功率控制算法及收敛性（论文文献综述）
李湘鲁,侯冬,田杰[1]（2021）在《基于超模博弈的认知无线Ad hoc网络分布式功率控制技术》文中指出考虑一种交织（Interweave）模式下的单跳认知无线Ad hoc网络（CRAHN）应用场景,针对次用户（SU）组成的Ad hoc网络提出一种分布式功率控制技术,以最大化提高次网络容量。SU网络通过频谱感知来探测主用户（PU）所在授权频段的使用情况。一旦授权频段空闲,次网络中的SU将利用授权频谱进行并发通信,目标是通过优化各SU的发射功率,以达到次网络频谱效率最大化。首先根据应用场景给出了网络容量优化近似模型,为了解决该非凸问题,将网络容量优化模型建立为等效博弈模型,并在不同的SINR条件下证明了Nash均衡的存在性和唯一性,最终提出基于Gradient Play的分布式功率控制算法来实现资源最优分配。仿真结果表明,该算法可在保证收敛性的同时、支持一定的并发通信用户数、提高该网络系统的频谱效率。
李雪靖[2]（2021）在《智慧标识网络中边缘计算服务的任务卸载和资源适配研究》文中指出随着互联网技术的发展,网络服务和网络应用已渗透到各个领域。网络数据流量和计算任务的迅猛攀升,导致传统网络体系难以满足高效、可靠、海量、泛在等服务需求。智慧标识网络从解决传统互联网三重绑定问题出发,提出了“三层两域”的体系架构,为实现网络的可管、可控、开放、灵活提供了新的思路。针对智慧标识网络中的计算服务,边缘计算可以利用网络边缘计算资源为其提供更好的服务质量。然而,边缘网络的服务复杂性和资源有限性给不同场景下计算服务的动态灵活管控带来了新的挑战。本文分别针对边缘网络中的终端复杂计算服务、终端流式计算服务、多终端竞争计算服务和边缘汇聚计算服务,依据不同服务的需求特征,融合网络通信资源和计算资源,分析了具有特定优化目标的服务管控问题,研究了基于智慧标识网络的任务卸载和资源适配策略。本论文主要工作和创新点如下:（1）针对边缘网络中终端复杂计算服务的任务卸载和资源适配问题,提出了一种复杂服务分割和部分任务卸载的联合管控优化策略。本文以复杂计算服务的处理开销最小化为优化目标,通过综合考虑服务模型特征、任务依赖关系、节点设备能力和无线信道状况等因素,提出了基于智慧标识网络和边缘计算的终端复杂计算服务系统架构和管控机制,构建了服务模型分割和部分任务卸载的联合优化模型;基于深度学习方法构建了针对视频流进行人体姿态估计的服务计算模型,通过分析所构建模型的计算负载和数据流,采用神经层分组和流水线处理方法,设计了基于阈值粒子群优化的协同分割卸载TP-CPO算法,并通过仿真实验进行了性能评估。仿真结果表明,在不同的信道带宽和服务器负载下,所提策略有效地降低了服务响应时间和终端能量消耗。（2）针对边缘网络中终端流式计算服务的任务卸载和资源适配问题,提出了一种任务卸载调度和终端功率控制的联合管控优化策略。本文以流式计算服务的任务处理效用最大化为优化目标,通过综合考虑到达任务特征、终端能量状态、无线信道状况和计算服务器负载等因素,提出了基于智慧标识网络和边缘计算的终端流式计算服务系统架构和管控机制,构建了任务卸载调度和终端功率控制的联合优化模型;根据终端等待计算任务的马尔可夫性,分析了卸载调度决策和功率控制决策的约束条件,设计了状态、动作和奖惩函数,将系统时间分层划分为决策周期和事件回合,实现了基于分层深度强化学习的自适应调度控制HDRL-ASC算法,并通过仿真实验进行了算法参数调优和性能评估。仿真结果表明,在不同的任务到达率、无线信道状况和服务器计算性能下,所提策略有效地提高了任务处理效率,降低了终端功率消耗。（3）针对边缘网络中多终端竞争计算服务的任务卸载和资源适配问题,提出了一种终端卸载选择和通信资源编排的联合管控优化策略。本文以多终端竞争计算服务的综合计算效用最大化为优化目标,通过综合考虑终端接入数目、终端设备状态、终端需求优先级、无线信道状况和计算服务器负载等因素,提出了基于智慧标识网络和边缘计算的多终端竞争计算服务系统架构和管控机制,构建了终端卸载选择和通信资源编排的联合优化模型;提出了融合多种方法的算法框架,包括利用神经网络和阈值判断方法估计多终端任务卸载的优先级,利用一维优化搜索方法编排无线通信的资源块,利用经验回放和梯度下降方法构建神经网络模型的更新机制,利用分布式采样训练方法实现高效的神经网络训练模型,设计了基于纵向联邦学习的灵活卸载编排VFL-FOO算法,并通过仿真实验进行了算法参数调优和性能评估。仿真结果表明,算法具有较好的收敛性和较低的复杂度,在不同终端数目和动态环境状况下,所提策略有效地提高了多终端综合计算能力。（4）针对边缘网络中边缘汇聚计算服务的任务卸载和资源适配问题,提出了一种流量鲁棒分类和资源感知转发的联合管控优化策略。本文以边缘汇聚计算服务的综合处理开销最小化为优化目标,通过综合考虑单位时间请求交易量、服务数据量到达速度、单位比特计算负载、服务流量类型、服务器计算资源和传输路径通信资源等因素,提出了基于智慧标识网络和边缘计算的边缘汇聚计算服务系统架构和管控架构,构建了流量鲁棒分类和资源感知转发的联合优化模型;设计了包含异常需求检测、流量特征分类和任务卸载转发的算法框架,实现了基于遗传进化算法的快速分类转发GE-RCF算法,并通过仿真实验进行了参数调优和性能评估。仿真结果表明,在流量动态变化、不同边缘服务器性能和不同传输路径带宽下,所提策略有效地提升了流量分类效率,降低了多流量综合处理开销。
刘劭玲[3]（2021）在《基于深度强化学习的车辆编队跟驰控制研究》文中提出
刘宏宇[4]（2021）在《基于太赫兹的分布式星群网络呼叫接入控制技术研究》文中提出
罗添辉[5]（2021）在《基于一致性算法的智能电网分布式控制研究》文中研究说明随着大规模低惯性可再生能源的蓬勃兴起,大量先进的信息通信技术融入电网,越来越多的储能装置接入电网负荷侧,同时随着智能化社会建设对用电可靠性和电能效率的要求不断提高,电力系统将面临越来越多新的挑战。在这种环境下,智能电网应运而生,也是能源与电力行业发展的必然趋势。智能电网的发展使其稳定控制问题日趋重要,而暂态稳定控制又是稳定控制研究的重中之重。本文结合智能电网中通信（信息）网络和电力（物理）网络的深度耦合,以信息物理系统拓扑建模方法为基础,利用多智能体系统一致性算法,主要围绕智能电网的暂态稳定控制问题展开了研究。本文研究的主要内容如下:首先,在通信网络与电力网络深度耦合背景下,针对故障后智能电网恢复暂态稳定的控制问题,本文提出了一种基于非线性多智能体系统一致性算法的分布式自适应协同控制策略。该策略将分布式自适应调速控制与励磁控制相结合,其中所提分布式调速控制器利用通信网络获取相位测量单元的实时测量信息,通过调节发电机的机械输入功率,使故障后各发电机频率能够实现一致。在保证系统稳定性的前提下,设计一种基于部分反馈线性化的励磁控制器以改善调速控制器性能。其次,基于多智能体的框架下引入外部储能装置,本文进一步针对智能电网中存在部分控制器失效时的暂态稳定控制问题,提出了一种分布式自适应控制方法,解决实际限制条件下控制器的性能问题,以提高智能电网的暂态稳定性和弹性。该方法基于二阶非线性多智能体系统的领导跟随一致性算法,各发电机之间通过通信网络进行信息交互,利用本地发电机与其邻居发电机之间的相对功角以及相对转速信息设计控制器,并控制外部储能装置动作,使故障后的系统快速恢复暂态稳定。最后,利用Lyapunov稳定性理论对所提分布式控制方法进行收敛性证明,通过在新英格兰10机39节点测试系统中进行仿真研究,进一步验证了所提分布式控制方法的可行性和有效性。
金健[6]（2021）在《基于多目标功率控制的无线网络串行干扰优化》文中指出
杨松楠[7]（2021）在《基于改进型FxLMS算法的管道主动噪声控制方法》文中提出随着工业技术的不断进步和发展,生活噪声与工业噪声对人们的影响逐渐加大。长期处于噪声的环境中会对人们的身体和精神健康产生巨大的负面影响。如何有效的降低噪声污染成为了人们迫切需要解决的难题。传统的被动降噪方法,对中低频噪声的消除作用不大,要想获得更好的降噪效果需要增加噪声吸收系统的体积。主动噪声控制方法作为一种新的降噪手段,针对中低频噪声有非常好的降噪效果,并且具有体积小,适用范围广等优点,引起了众多研究人员对主动噪声控制领域的兴趣。本文致力于降低新风系统管道（Heating,Ventilation and Air Conditioning,HVAC）中由风机所产生的中低频噪声,故以管道声场为主要研究对象,针对传统主动噪声控制方法中由于步长固定导致的稳定性与收敛速度始终处于矛盾状态的问题,提出了一种基于反正切函数的变步长最小均方误差算法,设计并完成了一款基于ARM平台的主动噪声控制器,通过仿真与实验对噪声控制系统的降噪效果进行了测试。首先,论文介绍了主动噪声控制方法的基本原理,通过研究维纳（Wiener）滤波器和误差平面的搜索方法,引出了以有限长单位冲击响应（FIR）滤波器结构为基础的最小均方误差（LMS）算法的原理,并对LMS算法中自适应参数的更新过程进行了推导。然后,根据以上基础介绍了滤波x最小均方误差算法（FxLMS）算法的自适应迭代流程和次路径建模方法。文中研究了导致自适应滤波算法稳定性变差和收敛速度变慢的原因,通过对经典的可变步长最小均方误差（VSS-LMS）算法进行公式推导,分析了对算法收敛速度和降噪性能的原因。由此,提出了一种使用反正切函数的最小均方误差算法。随后,针对管道噪声中的噪声源进行研究,分析了由轴流风机所产生噪声的频率特性并使用Matlab软件进行建模。还对管道对声波传递特性进行了研究,并使用Comsol-Multiphysics软件进行有限元分析。其次,文中设计了一个以STM32F746处理器为核心的自适应主动噪声控制硬件平台并实现与PC机的实时通信与数据分析功能。设计包括参考麦克风和误差麦克风的类型选择与电路设计,主控制板的类型选择与电路设计,功率放大器的类型选择与设计。并最终实现主动噪声控制算法在硬件平台上的运行。最后,论文将主动噪声控制系统的硬软件与改进算法相结合,进行了功能和算法的验证。文中在电脑端使用Matlab对实验数据进行了记录与分析,与其他的VSS-LMS算法的降噪性能与收敛速度进行了对比。通过将论文提出的改进方法与其他四种主动噪声控制算法进行对比,说明改进算法对于收敛速度和降噪效果具有明显的改善,并以此为依据对目前取得的成果和调试过程中存在的问题进行了分析与总结。
闫宝永[8]（2021）在《基于改进遗传算法的无线网络功率控制研究》文中研究表明
刘沫彤[9]（2021）在《基于无线携能通信的协作中继网络资源优化管理》文中研究说明
梁昌健[10]（2020）在《基于中继选择和信道分配的无线中继网络资源优化配置》文中研究指明无线通信技术和各种智能设备的快速发展对传统无线通信网络产生巨大的冲击,如何在复杂的通信环境中保证用户的通信质量,提高用户的服务质量是亟需解决的问题。为了建立符合实际通信环境的信道,考虑信道的不确定性对系统的影响至关重要。由于用户所处的位置和环境等不同,如何选择合适的中继及子载波协助其传输信息也是提高系统通信质量的关键。本文针对中继协助的不同通信场景,通过对功率、中继、子载波等合理的分配来优化系统性能。首先,针对动态变化环境下信道具有不确定性和边缘移动用户通信质量差的问题,提出一个联合移动中继选择、子载波分配和功率分配的鲁棒功率控制算法。在信道估计误差服从某种分布的假设下,通过中断概率约束的形式模拟不确定性信道的状态,然后利用数学方法将其转化成可处理的形式。利用移动中继协助通信可以提高移动通信系统的灵活性和通信质量。仿真验证了该算法通过不断调整功率可以获得动态通信环境下系统的最大能效。其次,针对现有无线网络频谱资源利用率不高的问题,构造了一个联合中继选择、子载波配对的中继协助的认知无线网络资源优化问题,通过主用户和次级用户共享频谱的方式提高频谱利用率。利用目标最大化准则和匈牙利算法解决了中继选择和子载波最优分配的问题,最后利用拉格朗日乘子法求得了最优功率表达式。仿真结果表明,提出的基于中继选择和子载波分配的能效最大化算法具有较强的鲁棒性、良好的系统可扩展性和较低的算法复杂度,而且与现有算法比较有着更高的能效值。最后,针对5G场景下双层多用户网络中如何提高系统速率和降低系统解码复杂度等问题,提出了一种非正交多址接入（Non-Orthogonal Multiple Access,NOMA）网络下联合功率控制、子载波分配和用户配对的算法。用户配对策略用于均衡系统通信速率和系统解码复杂度。NOMA与串行干扰消除（Serial Interference Cancellation,SIC）技术相结合提高系统通信速率。仿真验证了提出的算法有着较低的系统解码复杂度,而且相比于其他算法有着更高的通信速率。
二、无线通讯系统功率控制算法及收敛性（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、无线通讯系统功率控制算法及收敛性（论文提纲范文）
（1）基于超模博弈的认知无线Ad hoc网络分布式功率控制技术（论文提纲范文）
| 1 系统模型 |
| 1.1 频谱感知过程 |
| 1.2 次用户传输容量模型 |
| 1.3 系统问题建模 |
| 2 等效博弈模型及超模性分析 |
| 2.1 等效博弈模型及代价因子 |
| 2.2 博弈模型超模性和纳什均衡 |
| 3 基于Gradient Play的分布式容量优化算法设计 |
| 4 仿真实验及性能对比 |
| 5 结 论 |
（2）智慧标识网络中边缘计算服务的任务卸载和资源适配研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 新型网络技术及智慧标识网络研究现状 |
| 1.2.1 新型网络相关关键技术 |
| 1.2.2 智慧标识网络理论及其相关研究 |
| 1.3 边缘计算及其服务管控问题的相关研究 |
| 1.3.1 边缘计算技术概述 |
| 1.3.2 边缘计算中服务管控问题的相关研究 |
| 1.3.3 机器学习在边缘计算中的应用研究 |
| 1.4 研究内容和主要创新 |
| 1.5 论文组织结构 |
| 第二章 复杂计算服务的服务分割和任务卸载研究 |
| 2.1 引言 |
| 2.2 复杂服务分割和部分任务卸载的优化问题 |
| 2.2.1 系统架构 |
| 2.2.2 服务管控机制 |
| 2.2.3 问题建模和优化 |
| 2.3 复杂计算服务模型和协同分割卸载算法 |
| 2.3.1 基于DL方法的模型分析 |
| 2.3.2 终端复杂计算服务的模型构建 |
| 2.3.3 服务模型的数据流和计算负载分析 |
| 2.3.4 TP-CPO算法设计 |
| 2.4 仿真实验和结果分析 |
| 2.4.1 复杂计算服务仿真环境的建立 |
| 2.4.2 TP-CPO策略的性能评估 |
| 2.4.3 TP-CPO策略的扩展性分析 |
| 2.5 本章小结 |
| 第三章 流式计算服务的任务调度和功率控制研究 |
| 3.1 引言 |
| 3.2 任务卸载调度和终端功率控制的优化问题 |
| 3.2.1 系统架构和管控机制 |
| 3.2.2 问题建模和优化 |
| 3.3 基于分层深度强化学习的自适应调度控制算法 |
| 3.3.1 深度强化学习方法简介 |
| 3.3.2 状态、动作及奖励函数设计 |
| 3.3.3 HDRL-ASC算法设计 |
| 3.4 仿真实验和结果分析 |
| 3.4.1 实验参数和环境变量的设置 |
| 3.4.2 HDRL-ASC算法性能分析 |
| 3.4.3 HDRL-ASC策略性能评估分析 |
| 3.5 本章小结 |
| 第四章 多终端竞争计算服务的卸载选择和资源编排研究 |
| 4.1 引言 |
| 4.2 终端卸载选择和通信资源编排的优化问题 |
| 4.2.1 系统架构和管控机制 |
| 4.2.2 问题建模和优化 |
| 4.3 基于纵向联邦学习的灵活选择编排算法 |
| 4.3.1 L-FOO算法框架设计 |
| 4.3.2 VFL-FOO算法设计 |
| 4.4 仿真实验和结果分析 |
| 4.4.1 实验参数设置 |
| 4.4.2 VFL-FOO算法参数调优 |
| 4.4.3 VFL-FOO算法收敛性分析 |
| 4.4.4 VFL-FOO算法复杂度评估 |
| 4.4.5 VFL-FOO策略的综合计算效用评估 |
| 4.5 本章小结 |
| 第五章 边缘汇聚计算服务的流量分类和资源适配研究 |
| 5.1 引言 |
| 5.2 流量鲁棒分类和资源感知转发的优化问题 |
| 5.2.1 系统架构和管控架构 |
| 5.2.2 问题建模和优化 |
| 5.3 基于遗传进化算法的快速分类转发算法 |
| 5.3.1 RCF算法框架设计 |
| 5.3.2 GE-RCF快速分类转发算法 |
| 5.4 仿真实验和结果分析 |
| 5.4.1 仿真实验参数设置 |
| 5.4.2 GE-RCF策略评估 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 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 |
（5）基于一致性算法的智能电网分布式控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能电网稳定性研究现状 |
| 1.2.2 智能电网暂态稳定控制研究现状 |
| 1.2.3 一致性算法在智能电网中应用研究现状 |
| 1.3 主要研究内容和结构编排 |
| 第二章 智能电网信息物理建模及相关理论 |
| 2.1 智能电网信息物理系统拓扑建模 |
| 2.2 信息网络广域测量系统概述 |
| 2.2.1 广域测量系统结构及特点 |
| 2.2.2 PMU装置基本原理及结构 |
| 2.3 多智能体系统一致性算法 |
| 2.3.1 平均一致性 |
| 2.3.2 领导跟随一致性 |
| 2.4 本章小结 |
| 第三章 基于一致性算法的智能电网分布式自适应协同控制 |
| 3.1 问题描述 |
| 3.2 基于多智能体系统的智能电网模型 |
| 3.2.1 图论 |
| 3.2.2 基于多智能体系统的发电机动力学模型 |
| 3.3 分布式自适应协同控制策略 |
| 3.3.1 分布式自适应调速控制 |
| 3.3.2 基于部分反馈线性化的励磁控制 |
| 3.4 仿真结果与分析 |
| 3.5 本章小结 |
| 第四章 含外部储能装置的智能电网暂态稳定分布式控制 |
| 4.1 问题描述 |
| 4.2 智能电网通信拓扑建模 |
| 4.3 含外部ESS的分布式控制器设计 |
| 4.3.1 智能电网动力学模型 |
| 4.3.2 分布式控制器设计 |
| 4.4 仿真结果与分析 |
| 4.4.1 暂态稳定性测试 |
| 4.4.2 外部ESS的功率输出限制 |
| 4.4.3 通信延时影响 |
| 4.4.4 部分控制器失效 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（7）基于改进型FxLMS算法的管道主动噪声控制方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究难点 |
| 1.3.1 对自适应滤波算法的稳定性和收敛速度进行的改进 |
| 1.3.2 对通风管道中的噪声源和管道声学特性进行的建模与分析 |
| 1.3.3 主动噪声控制器的设计 |
| 1.4 本文的主要工作和章节安排 |
| 2 主动噪声控制理论基础 |
| 2.1 主动噪声控制的基本原理 |
| 2.2 主动噪声系统的组成 |
| 2.3 主动噪声控制算法 |
| 2.3.1 维纳滤波器 |
| 2.3.2 特征分析与性能表面 |
| 2.3.3 搜索方法 |
| 2.4 最小均方误差算法 |
| 2.5 本章小结 |
| 3 基于反正切函数的FxLMS算法优化 |
| 3.1 FxLMS算法的基本原理 |
| 3.2 影响LMS算法收敛速度和稳定性的因素 |
| 3.3 可变步长FxLMS算法 |
| 3.4 改进型FxLMS算法 |
| 3.4.1 参数a对算法性能的影响 |
| 3.4.2 参数b对算法性能的影响 |
| 3.4.3 参数c对算法性能的影响 |
| 3.4.4 改进算法的收敛性分析 |
| 3.4.5 改进算法的稳定性分析 |
| 3.5 本章小结 |
| 4 管道噪声特性分析 |
| 4.1 管道噪声的基本概念 |
| 4.2 轴流风机噪声特性分析 |
| 4.3 管道声波传输特性分析 |
| 4.4 本章小结 |
| 5 主动噪声控制器的硬件和软件设计 |
| 5.1 硬件系统设计 |
| 5.1.1 主动噪声控制器的选型与硬件设计 |
| 5.1.2 麦克风选择与电路设计 |
| 5.1.3 音频编解码器与功率放大器的选型与硬件设计 |
| 5.2 软件系统设计 |
| 5.2.1 USB通信与I2S通信 |
| 5.2.2 音频编解码器配置 |
| 5.3 本章小结 |
| 6 实验结果与分析 |
| 6.1 实验平台介绍 |
| 6.2 仿真及实验参数设置 |
| 6.3 实验成果分析 |
| 6.4 本章小结 |
| 7 总结展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（10）基于中继选择和信道分配的无线中继网络资源优化配置（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 研究现状 |
| 1.2.1 OFDMA下的无线中继网络鲁棒功率控制 |
| 1.2.2 最优中继和子载波选择 |
| 1.2.3 NOMA下的无线中继网络功率控制 |
| 1.3 本文研究动机 |
| 1.3.1 基于移动中继协助的上行无线网络资源分配 |
| 1.3.2 基于中继选择的认知无线网络的鲁棒能效资源分配 |
| 1.3.3 基于用户配对的双层NOMA网络的资源分配 |
| 1.4 本文结构安排 |
| 第2章 基于移动中继协助的上行无线网络资源分配 |
| 2.1 引言 |
| 2.2 系统模型 |
| 2.3 数学模型的建立与求解 |
| 2.3.1 鲁棒能效优化问题的制定 |
| 2.3.2 鲁棒能效问题的求解 |
| 2.3.3 分布式能效最大化鲁棒功率控制算法 |
| 2.4 数值仿真 |
| 2.4.1 验证分布式鲁棒能效问题的收敛性 |
| 2.4.2 验证不同中断阈值下的系统实际中断概率 |
| 2.4.3 验证优化系统的可拓展性 |
| 2.4.4 不同移动中继选择和子载波分配算法的比较 |
| 2.5 本章小结 |
| 第3章 基于中继选择的认知无线网络的鲁棒能效配置 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 数学模型的建立与求解 |
| 3.3.1 鲁棒优化问题的制定 |
| 3.3.2 鲁棒优化问题的求解 |
| 3.3.3 能效最大化鲁棒功率控制算法 |
| 3.4 系统数值仿真 |
| 3.4.1 验证鲁棒能效优化问题的收敛性 |
| 3.4.2 验证鲁棒能效优化问题的鲁棒性能 |
| 3.4.3 不同子载波选择算法下系统性能的比较 |
| 3.4.4 验证鲁棒能效优化问题的可拓展性 |
| 3.4.5 鲁棒能效优化算法与频谱效率优化算法的比较 |
| 3.5 本章小结 |
| 第4章 基于用户配对的双层NOMA网络的资源分配 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.3 数学模型的建立与求解 |
| 4.3.1 系统速率最大化问题的制定 |
| 4.3.2 边缘用户最优功率分配和用户配对分析 |
| 4.3.3 中心用户最优功率控制问题求解 |
| 4.3.4 系统总速率最大化算法 |
| 4.4 数值仿真 |
| 4.4.1 验证功率分配问题的收敛性 |
| 4.4.2 扇区中各层用户的数据传输速率 |
| 4.4.3 验证用户配对策略的性能 |
| 4.4.4 不同优化算法下的系统性能对比 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
四、无线通讯系统功率控制算法及收敛性（论文参考文献）
- [1]基于超模博弈的认知无线Ad hoc网络分布式功率控制技术[J]. 李湘鲁,侯冬,田杰. 重庆大学学报, 2021(09)
- [2]智慧标识网络中边缘计算服务的任务卸载和资源适配研究[D]. 李雪靖. 北京交通大学, 2021
- [3]基于深度强化学习的车辆编队跟驰控制研究[D]. 刘劭玲. 燕山大学, 2021
- [4]基于太赫兹的分布式星群网络呼叫接入控制技术研究[D]. 刘宏宇. 哈尔滨工程大学, 2021
- [5]基于一致性算法的智能电网分布式控制研究[D]. 罗添辉. 华东交通大学, 2021(01)
- [6]基于多目标功率控制的无线网络串行干扰优化[D]. 金健. 安徽大学, 2021
- [7]基于改进型FxLMS算法的管道主动噪声控制方法[D]. 杨松楠. 西安理工大学, 2021(01)
- [8]基于改进遗传算法的无线网络功率控制研究[D]. 闫宝永. 安徽大学, 2021
- [9]基于无线携能通信的协作中继网络资源优化管理[D]. 刘沫彤. 燕山大学, 2021
- [10]基于中继选择和信道分配的无线中继网络资源优化配置[D]. 梁昌健. 燕山大学, 2020(01)