認知網絡的數(shù)據(jù)傳輸機制

第1章 緒論
1．1 研究背景
1．1．1 認知網絡
1．1．2 社群智能
1．1．3 機會網絡
1．2 問題的提出
1．2．1 背景
1．2．2 研究現(xiàn)狀
1．3 本書的主要研究內容
1．3．1 主要研究內容
1．3．2 創(chuàng)新點
第2章 相關理論基礎
2．1 馬爾可夫預測
2．1．1 馬爾可夫鏈
2．1．2 轉移概率
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 機會網絡
2．4．1 機會網絡信譽管理
2．4．2 機會網絡激勵策略
2．5 社交網絡
2．5．1 概述
2．5．2 社交網絡分析
2．6 機會社交網絡
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
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
第3章 認知網絡中基于流量預測的自適應路由算法
3．1 引言
3．2 相關工作
3．2．1 單路徑路由算法
3．2．2 多路徑路由算法
3．3 適用于認知網絡的流量預測模型
3．3．1 現(xiàn)有的網絡流量預測模型
3．3．2 流量預測模型的選擇
3．3．3 MMSE的數(shù)學描述
3．4 算法描述
3．4．1 認知網絡中基于流量預測的單路徑路由算法
3．4．2 認知網絡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
第4章 基于社會關系感知的移動節(jié)點位置預測算法
4．1 引言
4．2 基于社會關系的節(jié)點位置預測算法
4．2．1 基于位置的節(jié)點移動應用場景
4．2．2 馬爾可夫鏈預測模型
4．2．3 基于社會關系的預測優(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 社會關系矩陣析取
4．3．3 預測精確度分析
4．3．4 參數(shù)估計
4．3．5 位置模型中區(qū)域粒度對預測精度的影響
4．4 本章小結
第5章 基于位置預測的生物啟發(fā)式數(shù)據(jù)分發(fā)算法
5．1 引言
5．2 相關工作
5．3 網絡模型
5．4 算法設計
5．4．1 基于位置預測的數(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
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
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 仿真結果
6．6 本章小結
第7章 認知網絡數(shù)據(jù)傳輸機制研究展望
7．1 成果總結
7．2 研究展望
參考文獻