自适应调制编码(Adaptive Modulation And Coding,AMC)基于信道状态信息来调整无线链路传输参数,进而确保链路的传输质量。长期演进(Long Term Evolution,LTE)系统是AMC的典型应用场景之一。针对传统AMC会由于信道和噪声估计偏差导致性能迅速恶化的问题,论文分析了两种偏差对自适应策略的影响,在此基础上研究了以贝叶斯网络、K-邻近算法、遗传算法和后向传播神经网络为代表的离线监督性学习算法和以在线贝叶斯网络为代表的在线监督性学习算法两类技术,旨在提升AMC的性能,使之更趋近理想信道估计下的传输性能。论文首先研究了LTE系统自适应传输关键技术,仿真了高斯信道下信干噪比(Signal to Interference plus Noise Ratio,SINR)和误块率之间关系曲线,基于等效信噪比概念将其推广到瑞利信道下,继而实现信道质量指示(Channel Quality Indicator,CQI)测量;论文分析并比较了最小二乘(Least Square,LS)和最小均方误差(Minimum Mean Square Error,MMSE)两种信道估计算法,选择准确度更高的MMSE算法进行后续仿真分析;论文仿真并对比了基于导频和空子载波的SINR测量方法,选择了基于导频的SINR测量方法。论文研究了基于离线监督性学习的自适应优化策略,主要内容及数字仿真结果如下:●论文研究了基于贝叶斯网络的自适应传输策略,通过推导和仿真分析对比贝叶斯网络和多实体贝叶斯网络的处理流程和学习方法。分析发现在网络节点规模较小时,贝叶斯网络的计算复杂度较低。数字仿真表明,基于贝叶斯网络的传输策略优于传统查表法,并能贴近理想信道估计下的系统性能。论文研究了训练样本集的完备性对系统性能的影响,设计了基于完备和非完备数据集的学习方法,数字仿真结果表明同样训练样本数下,数据完备性越好,算法预测性能越准确。●论文研究了基于K-邻近算法的自适应传输策略,分析了关键参数:K值、距离度量方法以及特征向量对算法性能的影响。论文通过κ折交叉验证法和CQI预测误差获取并验证平均预测正确率最高的K值。论文对欧式距离、曼哈顿距离等四种距离度量方法下的复杂度和性能进行了分析,仿真验证其CQI预测性能,并选取复杂度和性能相对折中的欧式距离作为K-邻近算法的距离度量方法。论文对比了用真实值和估计值两种信道系数作为特征向量时的性能差距,结果表明使用信道估计系数作为特征向量进行训练时,分类判别更准确,性能也相对更好。●论文研究了基于遗传算法的自适应传输策略,对初始种群数目、交叉概率、变异概率以及适应度函数等特征参数进行了性能比较和仿真分析。论文使用平均收敛代数和收敛概率作为指标衡量每种特征参数对决策性能的影响,以交叉概率为例,仿真结果表明随着交叉概率的增大,平均收敛代数先减小后增大,而收敛概率先增大后减小,需要折中选择。论文对基于遗传算法的AMC性能与基于理想信道估计下的AMC进行了仿真对比,结果表明由于遗传算法并未考虑到信道估计和噪声估计偏差的影响,且算法本身容易陷入局部最优,影响性能因素较多,相比于其他监督性算法性能较差。●论文研究了基于后向传播神经网络的自适应传输策略,分析其建模过程和误差反向传播算法,重点研究关键参数隐含层节点数。节点数过少,模型拟合能力较差;节点数过多,导致模型过拟合,两种情况下预测误差都会较大。论文通过κ折交叉验证分析不同隐含层节点数量下的模型平均预测误差,仿真结果表明当节点数在19～29范围内均可以满足系统预测误差要求。论文对基于后向传播神经网络与基于理想信道估计的AMC性能进行仿真对比,结果表明二者性能接近。论文研究了基于在线监督性学习的自适应传输策略,考虑到实际系统获取训练样本的困难性以及非完备性,论文研究了贝叶斯网络在线参数学习过程。从先验概率未知和少量训练样本两个层次出发,结合学习速率的影响,对在线参数学习算法的概率收敛性进行了数字仿真分析,仿真结果显示学习速率越大,算法波动性越强但收敛越快;学习速率越小则性能相反。论文仿真了基于速率自适应的概率收敛性,结果表明速率自适应既可以保证收敛速度,也降低了性能波动。论文在数据缺失状态下对算法的收敛性进行了仿真对比,结果显示在同样学习次数下,基于完备数据的在线参数学习的性能贴近离线监督性学习性能,而非完备数据下数据缺失率越低,性能越好,验证了贝叶斯网络在线参数学习算法的可行性。论文最后总结陈述了全文的研究成果,并指出后续的研究方向。