论文下载：链接: https://pan.baidu.com/s/1el7u-TKbdKX23KElQ7Zj0g?pwd=1234 提取码: 1234

B24116640167

摘 要
本文通过机器学习和深度学习方法研究WLAN系统吞吐量预测问题，结合网络拓扑、RSSI、信道干扰等因素，构建预测模型以优化网络性能。

问题一：AP发送机会预测

• 方法：
  • 使用Python训练随机森林回归模型和LSTM模型，通过Pearson相关性分析筛选特征。
  • 对训练数据进行多参数优化，筛选最优模型。
• 结果：
  • 预测AP发送数据帧序列总时长（seq_time），并按影响强弱排序特征（如节点间RSSI、协议类型等）。
  • 预测结果保存于附录和附件中。

问题二：AP物理传输速率（PHY Rate）预测

• 方法：
  • 结合问题一的AP发送机会分析，使用随机森林回归、多元线性回归和LSTM模型。
  • 通过梯度下降法优化模型训练，利用(MCS,NSS)组合表映射预测结果。
• 结果：
  • 预测AP传输过程中的PHY Rate及对应的(MCS,NSS)组合，结果保存于附录和附件中。

问题三：WLAN系统吞吐量预测

• 方法：
  • 综合问题一和二的预测数据，使用随机森林回归、支持向量机（三种核函数）和LSTM模型。
  • 通过相关性系数筛选特征，优化模型精度。
• 结果：
  • 对测试集进行吞吐量预测，结果保存于附录和附件中。

关键词：随机森林；LSTM神经网络；机器学习；梯度下降法；相关性分析。

B24102860287

摘 要
本文针对高密度WLAN场景下的吞吐量优化问题，通过数据预处理与模型优化，分析AP间干扰、信道接入机制等因素对吞吐量的影响。

问题一：AP发送机会影响因素分析

• 方法：
  • 数据预处理（异常值处理、缺失值填补、特征标准化），分为2AP和3AP系统建模。
  • 使用随机森林回归模型分析特征影响强弱。
• 结果：
  • 2AP系统中AP间RSSI对发送机会影响最大（87.96%），其次为AP-STA RSSI、协议类型等。
  • 3AP系统中AP间RSSI影响为74.94%。

问题二：AP物理传输速率（PHY Rate）预测

• 方法：
  • 分析SINR与传输方式的关系，使用Akima插值拟合算法处理RSSI数据。
  • 构建残差连接优化的CNN模型预测(MCS,NSS)组合。
• 结果：
  • 模型验证集准确率达86.73%，成功映射传输速率与(MCS,NSS)的关系。

问题三：WLAN系统吞吐量预测

• 方法：
  • 构建基于CNN的统一吞吐量预测模型，输入特征为(MCS,NSS)组合。
  • 使用一维卷积提取特征，Adam优化器训练模型。
• 结果：
  • 干扰情况下理论吞吐量与仿真误差<5%，模型在2AP和3AP系统中验证准确率>95%。

关键词：无线网络吞吐量；信道接入机制；随机森林回归；Akima插值拟合算法；卷积神经网络；累积分布函数。

B24103530099

摘 要
本文综合运用自适应器、随机森林、GBDT、DBSCAN等算法，建立分频预测模型，优化WLAN系统的发送机会、MCS/NSS组合及吞吐量预测。

问题一：AP发送机会影响因素排序

• 方法：
  • 使用DBSCAN聚类区分同步/异步传输，引入扰动机制控制随机性。
  • 构建随机森林和GBDT模型，比较MSE和拟合优度确定最优模型。
• 结果：
  • 输出特征重要性评分，按影响力排序，预测AP发送数据帧序列总时长。

问题二：MCS/NSS组合预测

• 方法：
  • 融合NSS和MCS标签为复合标签，采用独热编码消除数字编码影响。
  • 构建BP神经网络和CNN模型，通过SINR截断和过采样优化样本。
• 结果：
  • 预测效果优于单一模型，输出最优MCS/NSS组合。

问题三：吞吐量双层交叉预测模型

• 方法：
  • 认为吞吐量受数据帧统计信息（num_ppdu、ppdu_dur）影响，建立双层模型。
  • 第一层使用随机森林预测数据帧统计信息，第二层使用深度残差神经网络预测吞吐量。
• 结果：
  • 验证模型对网络拓扑、业务流量等因素的适应性，提升预测精度。

关键词：双层交叉预测模型；特征对齐；DBSCAN算法；随机森林；卷积神经网络。

B24104760033

摘 要
本文针对WLAN系统吞吐量建模问题，采用回归和分类模型分析AP发送机会、MCS/NSS组合及吞吐量预测。

问题一：AP发送机会建模

• 方法：
  • 使用八种回归模型（如线性回归、随机森林等）预测AP发送数据帧序列总时长。
  • 通过Python可视化对比模型性能。
• 结果：
  • 2AP系统下MSE=10.412，MAE=1.756；3AP系统下MSE=43.869，MAE=4.812。
  • RSSI与发送机会强相关。

问题二：MCS/NSS组合预测

• 方法：
  • 使用逻辑回归、SVM、KNN、随机森林等多分类模型预测MCS和NSS。
  • 特征提取基于sin_dB等参数。
• 结果：
  • MCS预测准确率84%，NSS预测准确率98%；吞吐量与协议和信号强相关。

问题三：吞吐量回归建模

• 方法：
  • 构建多种回归模型（如线性回归、随机森林等），分析吞吐量与RSSI、信道质量等因素的关系。
• 结果：
  • 2AP系统下MSE=10.412，MAE=1.756；3AP系统下MSE=10.905，MAE=1.814。

关键词：无线局域网；系统吞吐量；AP发送机会；多分类模型；回归模型。

数据汇总表

总结

各团队针对WLAN吞吐量优化问题，提出了以下创新方法：

1. 特征分析与建模：通过随机森林、CNN等模型分析RSSI、SINR等特征对AP发送机会和吞吐量的影响。
2. 分频预测模型：结合DBSCAN聚类和双层交叉预测，提升模型对高密度部署场景的适应性。
3. 误差优化：采用Akima插值、残差连接等技术减少预测误差，模型准确率普遍>85%。
4. 多分类与回归结合：通过多分类模型预测MCS/NSS组合，回归模型预测吞吐量，实现端到端优化。

研究结果对工业、教育、医疗等领域的WLAN部署具有重要参考价值，未来可进一步探索动态环境下的实时优化策略。