| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 机会网络概述 | 第8-11页 |
| 1.2 论文选题意义 | 第11-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 研究现状 | 第15-20页 |
| 2.1 基于相似性的预测方法 | 第15-17页 |
| 2.2 基于概率模型的预测方法 | 第17页 |
| 2.3 基于机器学习的预测方法 | 第17-18页 |
| 2.4 基于矩阵及张量分解的预测方法 | 第18页 |
| 2.5 基于时间序列的预测方法 | 第18-19页 |
| 2.6 本章小结 | 第19-20页 |
| 第3章 深度学习网络模型 | 第20-29页 |
| 3.1 深度学习简介 | 第20-22页 |
| 3.1.1 浅层学习和深度学习 | 第20-22页 |
| 3.1.2 深度学习分层思想 | 第22页 |
| 3.2 深度信念网络基本原理 | 第22-28页 |
| 3.2.1 受限玻尔兹曼机 | 第22-24页 |
| 3.2.2 受限玻尔兹曼机的训练 | 第24-26页 |
| 3.2.3 深度信念网络模型 | 第26-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第4章 基于深度信念网络的拓扑预测 | 第29-44页 |
| 4.1 相似性指标W_Katz | 第29-35页 |
| 4.1.1 相拟性指标W_Katz的计算 | 第30-31页 |
| 4.1.2 W_Katz指标的有效性验证 | 第31-35页 |
| 4.2 DBN-LS-SVR预测模型的构建 | 第35-43页 |
| 4.2.1 DBN-LS-SVR中DBN的构建 | 第36-39页 |
| 4.2.1.1 DBN训练样本的构建 | 第37页 |
| 4.2.1.2 RBM隐含层神经元数量的确定 | 第37-38页 |
| 4.2.1.3 RBM层数的选择 | 第38-39页 |
| 4.2.1.4 自适应调整学习率 | 第39页 |
| 4.2.2 DBN-LS-SVR中LS-SVR的构建 | 第39-43页 |
| 4.2.2.1 最小二乘支持向量机回归 | 第39-41页 |
| 4.2.2.2 LS-SVR训练样本的构建 | 第41页 |
| 4.2.2.3 核函数的选取 | 第41-42页 |
| 4.2.2.4 参数设置 | 第42-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第5章 仿真实验及结果分析 | 第44-58页 |
| 5.1 实验数据集 | 第44页 |
| 5.2 受试者工作特征曲线 | 第44-45页 |
| 5.3 DBN-LS-SVR模型的验证 | 第45-57页 |
| 5.3.1 命中率R_HIT | 第46页 |
| 5.3.2 不同RBM隐含层神经元数量结果分析对比 | 第46-48页 |
| 5.3.3 不同RBM层数结果分析对比 | 第48-50页 |
| 5.3.4 不同学习率调整方式结果分析对比 | 第50-51页 |
| 5.3.5 不同样本维度下两种预测模型性能分析对比 | 第51-53页 |
| 5.3.6 DBN-LS-SVR对INF’05和MIT的预测及结果分析 | 第53-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 全文总结 | 第58-59页 |
| 6.2 研究展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间参与课题情况 | 第65-66页 |
| 攻读硕士期间发表论文、软件著作权及获奖情况 | 第66-67页 |
| 致谢 | 第67-68页 |
