网络流量组合预测模型的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第7-11页 |
| ·课题研究的背景和意义 | 第7-8页 |
| ·研究现状 | 第8-9页 |
| ·本文的主要研究工作 | 第9-10页 |
| ·论文的组织结构 | 第10-11页 |
| 第二章 网络流量的特性 | 第11-19页 |
| ·自相似性 | 第11-13页 |
| ·自相似性的概念 | 第11-12页 |
| ·自相似过程的参数估计方法 | 第12页 |
| ·自相似性对网络性能的影响 | 第12-13页 |
| ·长相关性 | 第13-16页 |
| ·长相关流量的概念 | 第13页 |
| ·长相关（LRD）序列 | 第13-14页 |
| ·长相关序列估计算法 | 第14-16页 |
| ·单分形和多分形特性 | 第16-18页 |
| ·分形与多重分形的概念 | 第16页 |
| ·分形的基本特征 | 第16-17页 |
| ·分形估计方法 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 传统的网络流量分析方法 | 第19-27页 |
| ·从实际流量中提取的若干特征与建模原则 | 第19-20页 |
| ·实际网络流量的特征 | 第19-20页 |
| ·建模网络流量的途径 | 第20页 |
| ·若干热点模型及其性能评价 | 第20-26页 |
| ·半马尔柯夫模型 | 第20-22页 |
| ·Poisson 模型 | 第22-24页 |
| ·ARMA 模型 | 第24-25页 |
| ·ON/OFF 模型 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第四章 小波与神经网络相结合的网络流量预测模型 | 第27-48页 |
| ·小波变换 | 第27-31页 |
| ·小波变换的由来和作用 | 第27-28页 |
| ·尺度函数和小波函数 | 第28-30页 |
| ·二进正交小波变换的Mallat 算法 | 第30-31页 |
| ·神经网络 | 第31-34页 |
| ·神经网络的发展 | 第31页 |
| ·神经网络模型 | 第31-33页 |
| ·神经网络的特性及实现 | 第33-34页 |
| ·组合预测模型 | 第34-47页 |
| ·模型的构建原理 | 第34页 |
| ·小波函数的选取及分解层数的确定 | 第34-38页 |
| ·神经网络的训练 | 第38-45页 |
| ·模型仿真 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于递归神经网络的网络流量组合预测模型 | 第48-56页 |
| ·递归神经网络 | 第48-50页 |
| ·网络模型结构及输出计算 | 第48-49页 |
| ·系统网络模型的学习算法 | 第49-50页 |
| ·改进的组合预测模型 | 第50-55页 |
| ·模型构建原理 | 第50页 |
| ·递归神经网络的训练 | 第50-53页 |
| ·模型仿真 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 结束语 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 发表论文 | 第61页 |
