1. 毕业设计（论文）主要内容：

无线网络中资源分配的结果会对网络性能产生直接的影响，传统的资源分配算法或者过于简单，无法充分挖掘通信系统的潜能；或者过于复杂，大多基于优化理论方法，经过多次迭代才能求解最优或者次优解。

深度学习可以通过分析与环境交互作用的反馈，来生成最优的计算结果，许多研究表明，深度学习已经被证明是通信和计算领域系统资源分配的有效解决方案之一。

本课题将基于深度学习理论和方法，研究5g通信系统中无线接入网的资源分配问题，通过设计高效的资源分配算法，提升无线网络能量和频谱等资源的利用效率，实现5g的关键性能指标。

2. 毕业设计（论文）主要任务及要求

1. 研究深度学习和云接入网络的概念及其相关标准；
2. 建立基于深度学习的无线网络资源分配系统模型；
3. 搭建测试平台，对其功能和性能进行验证；
4. 查阅参考文献15篇以上（其中近五年外文文献不少于3篇）；
5. 完成不少于12000字的毕业论文撰写并完成答辩的相关工作；
6. 完成不低于5000汉字（20000英文印刷符）的教师指定的相关文献的英译汉翻译；
7. 完成不少于12幅图设计（包括：电路原理图、流程图、结构框图、程序框图等）。

3. 毕业设计（论文）完成任务的计划与安排

第1-3周：完成题目调研，查阅参考资料，设计大致框架，完成开题报告；
第4-6周：学习有关深度学习和云接入网络的概念及其相关标准；
第7-8周：用matlab模拟无线网络资源分配系统模型；
第9-10周：对所提出的车联网智能群感知决策方案进行性能测试或者对比；
第11-14周：总结毕业设计，撰写毕业设计论文初稿；
第15-16周 完成并提交毕业设计论文；
第17周 答辩。

4. 主要参考文献

[1] Zhiyuan Xu; Yanzhi Wang; Jian Tang; Jing Wang;Mustafa Cenk Gursoy. A Deep Reinforcement Learning based Framework for Power-Efficient Resource Allocation in Cloud RANs. IEEE International Conference on Communications, July 28, 2017, 2017 IEEE International Conference on Communications, ICC 2017
[2] Ursula Challita; Li Dong; Walid Saad. Deep learning for proactive resource allocation in LTE-U networks. European Wireless 2017 - 23rd European Wireless Conference, 2017, European Wireless 2017 - 23rd European Wireless Conference
[3] Ning Liu; Zhe Li; Jielong Xu; Zhiyuan Xu; Sheng Lin; Qinru Qiu;. A Hierarchical Framework of Cloud Resource Allocation and Power Management Using Deep Reinforcement Learning. Proceedings - International Conference on Distributed Computing Systems, p 372-382, July 13, 2017, Proceedings – IEEE 37th International Conference on Distributed Computing Systems, ICDCS 2017
[4] Hongzi Mao ; Mohammad Alizadeh ; Ishai Menache ; Srikanth Kandula. Resource management with deep reinforcement learning. HotNets 2016 - Proceedings of the 15th ACM Workshop on Hot Topics in Networks, p 50-56, November 9, 2016, HotNets 2016 - Proceedings of the 15th ACM Workshop on Hot Topics in Networks