认知网络中的人工智能

第1章  认知无线网络与人工智能1.1 认知无线网络1.1.1 认知无线网络概述1.1.2 认知环路与认知引擎1.2 人工智能概述1.2.1 人工智能的定义和发展1.2.2 人工智能的研究领域1.3 人工智能在认知无线网络中的应用1.3.1 环境感知、推理阶段的应用1.3.2 认知学习阶段的应用1.3.3 智能优化阶段的应用本章参考文献第2章  增强学习算法在认知网络中的应用2.1 增强学习算法概述2.1.1 增强学习的基本原理2.1.2 增强学习系统的主要组成要素2.1.3 增强学习的数学模型2.2 增强学习算法的应用举例2.2.1 Q学习算法在绿色认知无线网络中的应用2.2.2 多跳认知无线网络中基于增强学习的频谱感知路由2.2.3 增强学习算法在认知无线电频谱检测中的应用2.2.4 基于增强学习的CR技术在地面多播通信系统中的应用2.2.5 Nash—Stackelberg模糊Q学习决策方法在异构认知网络中的应用2.2.6 认知无线网络中基于增强学习的动态频谱分配拍卖算法本章参考文献第3章  人工神经网络在认知网络中的应用3.1 人工神经网络概述3.1.1 人工神经网络的特点3.1.2 人工神经网络的结构3.1.3 典型的人工神经网络模型3.1.4 BP神经网络3.2 人工神经网络的应用举例3.2.1 认知无线Mesh网络中基于神经网络的频谱感知3.2.2 动态信道选择中基于神经网络的认知控制器3.2.3 认知网络中基于频谱相关性和神经网络的信号分类3.2.4 认知无线云中基于神经动力学的分布式优化3.2.5 认知无线电中基于神经网络的学习和自适应本章参考文献第4章  遗传算法在认知网络中的应用4.1 遗传算法概述4.1.1 遗传算法的概念4.1.2 遗传算法的算法流程4.1.3 遗传算法的特点4.1.4 遗传算法的应用4.2 遗传算法的应用举例4.2.1 基于遗传算法的无线多载波收发器认知引擎4.2.2 基于多目标免疫遗传算法的认知无线电参数设计4.2.3 认知无线网络中基于遗传算法的重配置技术本章参考文献第5章  隐马尔可夫模型在认知无线网络中的应用5.1 隐马尔可夫模型概述5.1.1 隐马尔可夫模型的概念及数学表示5.1.2 在HMM中存在三个基本问题5.1.3 解决问题的相关算法5.1.4 缺陷5.2 隐马尔可夫模型在认知无线电中的应用5.2.1 基于HMM的信道状态预测器5.2.2 基于隐马尔可夫模型的频谱感知模型5.2.3 隐马尔可夫模型的动态频谱分配：泊松分布案例本章参考文献第6章  案例学习算法在认知无线网络中的应用6.1 案例学习算法概述6.1.1 案例描述和索引6.1.2 典型的案例学习算法6.1.3 案例检索和修改6.1.4 基于案例的推理6.2 案例学习算法的应用举例6.2.1 案例学习算法在无线电环境图中的应用6.2.2 案例学习算法在认知无线电wiMAX中的应用6.2.3 认知无线电中提高空间效率和针对多目标的案例学习6.2.4 认知无线电中采用案例学习和协作滤波的有效频谱分配6.2.5 3 G网络用于提高覆盖范围的混合认知引擎本章参考文献