声明
致谢
摘要
图表清单
1 引言
1.1 研究背景及意义
1.2 认知网络及其QoS机制的现状
1.2.1 认知网络的概述
1.2.2 认知网络框架
1.2.3 认知网络特征
1.2.4 认知网络的QoS机制概述
1.3 论文的主要工作及创新点
1.4 论文的结构
2 智能QoS保障机制的文献综述
2.1 多径路由协议
2.1.1 时延感知多径路由协议
2.1.2 具有可靠性的多径路由协议
2.1.3 最小代价多径路由协议
2.1.4 高效节能的多径路由协议
2.1.5 复合多径路由协议
2.1.6 如何选择合适的多径路由协议
2.2 资源预留方案
2.2.1 资源预留协议——RSVP
2.2.2 基于RSVP的资源预留协议
2.2.3 RSVP在移动环境中的应用
2.2.4 其他方案
2.3 流量预测模型
2.3.1 小波神经网络
2.3.2 混合神经网络模型
2.3.3 蚁群算法和神经网络的结合
2.4 小结
3 相关理论
3.1 多径路由协议
3.1.1 多径路由的定义及使用模式
3.1.2 与单径路由的比较
3.2 蚁群算法相关理论
3.2.1 蚁群算法原理
3.2.2 蚁群算法的步骤
3.3 神经网络相关理论
3.3.1 人工神经网络的发展概述
3.3.2 神经网络的特征
3.3.3 相关理论模型介绍
4 认知网络中基于蚁群算法的多径路由机制(AMP算法)
4.1 蚁群路由算法
4.2 AMP算法思路的提出
4.3 AMP算法
4.3.1 AMP算法的网络模型设计
4.3.2 AMP算法的路由约束
4.3.3 AMP算法的步骤
4.4 AMP算法的仿真分析
4.4.1 网络丢包率
4.4.2 网络时延
4.4.3 剩余带宽
4.5 本章小结
5 自适应的预留资源借用策略(RBFR策略)
5.1 RBFR策略的思路提出
5.2 RBFR策略的系统模型建立
5.2.1 模型中的资源分类
5.2.2 模型假设及参数说明
5.3 RBFR策略
5.3.1 RBFR策略的资源分配规则
5.3.2 RBFR策略的功能模块
5.3.3 RBFR策略的步骤
5.3.4 RBFR策略的额外资源归还
5.4 RBFR策略的仿真分析
5.4.1 仿真参数和场景
5.4.2 仿真结果和分析
5.5 本章小结
6 基于蚁群算法的网络流量预测模型(Ant Double-BP模型)
6.1 Ant Double-BP模型概述
6.2 Ant Double-BP模型的思路设计
6.3 Ant Double-BP模型的框架及具体步骤
6.4 蚁群算法训练BP网络权值
6.5 Ant Double-BP模型的仿真分析
6.5.1 BP1网络剔除异常数据阶段
6.5.2 小波分解阶段
6.5.3 流量预测阶段
6.6 本章小结
7 总结
参考文献
作者简历
学位论文数据集
北京交通大学;