認知網(wǎng)絡(luò)的數(shù)據(jù)傳輸機制

第1章 緒論
1．1 研究背景
1．1．1 認知網(wǎng)絡(luò)
1．1．2 社群智能
1．1．3 機會網(wǎng)絡(luò)
1．2 問題的提出
1．2．1 背景
1．2．2 研究現(xiàn)狀
1．3 本書的主要研究內(nèi)容
1．3．1 主要研究內(nèi)容
1．3．2 創(chuàng)新點
第2章 相關(guān)理論基礎(chǔ)
2．1 馬爾可夫預(yù)測
2．1．1 馬爾可夫鏈
2．1．2 轉(zhuǎn)移概率
2．2 群體智能優(yōu)化算法
2．2．1 概述
2．2．2 蟻群優(yōu)化算法
2．3 拍賣理論
2．3．1 正向拍賣
2．3．2 反向拍賣
2．4 機會網(wǎng)絡(luò)
2．4．1 機會網(wǎng)絡(luò)信譽管理
2．4．2 機會網(wǎng)絡(luò)激勵策略
2．5 社交網(wǎng)絡(luò)
2．5．1 概述
2．5．2 社交網(wǎng)絡(luò)分析
2．6 機會社交網(wǎng)絡(luò)
2．7 社區(qū)發(fā)現(xiàn)
2．7．1 概述
2．7．2 典型社區(qū)發(fā)現(xiàn)算法
2．8 博弈論基礎(chǔ)
2．8．1 博弈的概念
2．8．2 合作博弈論
2．8．3 博弈論模型
2．9 本章小結(jié)
第3章 認知網(wǎng)絡(luò)中基于流量預(yù)測的自適應(yīng)路由算法
3．1 引言
3．2 相關(guān)工作
3．2．1 單路徑路由算法
3．2．2 多路徑路由算法
3．3 適用于認知網(wǎng)絡(luò)的流量預(yù)測模型
3．3．1 現(xiàn)有的網(wǎng)絡(luò)流量預(yù)測模型
3．3．2 流量預(yù)測模型的選擇
3．3．3 MMSE的數(shù)學(xué)描述
3．4 算法描述
3．4．1 認知網(wǎng)絡(luò)中基于流量預(yù)測的單路徑路由算法
3．4．2 認知網(wǎng)絡(luò)中流量感知的多路徑路由算法
3．5 算法仿真及性能評價
3．5．1 MWR和ATPRA性能評價
3．5．2 ETAMR的性能評價
3．6 本章小結(jié)
第4章 基于社會關(guān)系感知的移動節(jié)點位置預(yù)測算法
4．1 引言
4．2 基于社會關(guān)系的節(jié)點位置預(yù)測算法
4．2．1 基于位置的節(jié)點移動應(yīng)用場景
4．2．2 馬爾可夫鏈預(yù)測模型
4．2．3 基于社會關(guān)系的預(yù)測優(yōu)化
4．2．4 修正系數(shù)參數(shù)估計
4．3 實驗分析
4．3．1 仿真實驗配置
4．3．2 社會關(guān)系矩陣析取
4．3．3 預(yù)測精確度分析
4．3．4 參數(shù)估計
4．3．5 位置模型中區(qū)域粒度對預(yù)測精度的影響
4．4 本章小結(jié)
第5章 基于位置預(yù)測的生物啟發(fā)式數(shù)據(jù)分發(fā)算法
5．1 引言
5．2 相關(guān)工作
5．3 網(wǎng)絡(luò)模型
5．4 算法設(shè)計
5．4．1 基于位置預(yù)測的數(shù)據(jù)分發(fā)算法
5．4．2 基于蟻群優(yōu)化的數(shù)據(jù)分發(fā)算法
5．4．3 基于位置預(yù)測的生物啟發(fā)式數(shù)據(jù)分發(fā)算法
5．5 性能評價
5．5．1 仿真環(huán)境部署
5．5．2 性能評價指標(biāo)
5．5．3 移動節(jié)點數(shù)量的變化對性能的影響
5．5．4 數(shù)據(jù)消息生命周期的變化對性能的影響
5．6 本章小結(jié)
第6章 基于聲望感知的用戶激勵及數(shù)據(jù)分發(fā)算法
6．1 引言
6．2 相關(guān)工作
6．2．1 聲望模型的研究現(xiàn)狀
6．2．2 激勵機制的相關(guān)研究現(xiàn)狀
6．3 基于聲望的參與式激勵算法描述
6．3．1 概述
6．3．2 聲望模塊描述
6．3．3 激勵模塊的描述
6．4 基于參與者激勵的數(shù)據(jù)分發(fā)算法
6．4．1 分發(fā)數(shù)據(jù)的信任值計算
6．4．2 數(shù)據(jù)分發(fā)執(zhí)行過程
6．5 性能評價
6．5．1 仿真環(huán)境部署
6．5．2 仿真結(jié)果
6．6 本章小結(jié)
第7章 認知網(wǎng)絡(luò)數(shù)據(jù)傳輸機制研究展望
7．1 成果總結(jié)
7．2 研究展望
參考文獻