| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景及意义 | 第7-8页 |
| ·网络流量预测的研究现状 | 第8-10页 |
| ·本文的主要研究工作 | 第10-11页 |
| ·论文的组织结构 | 第11-13页 |
| 第二章 网络流量的特性 | 第13-17页 |
| ·自相似特性 | 第13-14页 |
| ·长相关特性 | 第14-15页 |
| ·多重分形特性 | 第15页 |
| 本章小结 | 第15-17页 |
| 第三章 传统的网络流量模型 | 第17-21页 |
| ·ON/OFF 模型 | 第17页 |
| ·Poisson 模型 | 第17-18页 |
| ·ARMA 模型 | 第18-20页 |
| ·FBM 模型 | 第20页 |
| 本章小结 | 第20-21页 |
| 第四章 基于小波包消噪和Elman 的网络流量预测研究 | 第21-29页 |
| ·小波包消噪的基本原理和步骤 | 第21-22页 |
| ·小波包消噪的基本原理 | 第21-22页 |
| ·信号的小波包消噪的基本步骤 | 第22页 |
| ·人工神经网络 | 第22-24页 |
| ·人工神经网络简介 | 第22-23页 |
| ·Elman 神经网络 | 第23-24页 |
| ·预测方法及其步骤 | 第24页 |
| ·仿真实验 | 第24-27页 |
| 本章小结 | 第27-29页 |
| 第五章 基于小波分析和AR-LSSVM 的网络流量预测研究 | 第29-39页 |
| ·小波分析基本理论 | 第29-32页 |
| ·小波概念及几种常用小波 | 第29-31页 |
| ·小波变换分类 | 第31页 |
| ·多分辨分析 | 第31页 |
| ·小波分解与其单枝重构 | 第31-32页 |
| ·最小二乘支持向量机 | 第32-33页 |
| ·基于Mallat 算法的AR-LSSVM 预测方法 | 第33-34页 |
| ·试验结果与分析 | 第34-38页 |
| ·仿真实验 | 第34页 |
| ·结果分析 | 第34-38页 |
| 本章小结 | 第38-39页 |
| 第六章 基于QPSO 训练BP 的网络流量预测研究 | 第39-51页 |
| ·BP 神经网络 | 第39-42页 |
| ·BP 算法原理 | 第39-41页 |
| ·BP 网络的设计 | 第41页 |
| ·BP 算法限制与不足 | 第41-42页 |
| ·粒子群(PSO)算法 | 第42-45页 |
| ·算法原理 | 第42-43页 |
| ·算法流程 | 第43页 |
| ·算法参数 | 第43-44页 |
| ·参数设置 | 第44-45页 |
| ·粒子群算法的缺陷 | 第45页 |
| ·量子粒子群(QPSO)算法 | 第45-46页 |
| ·算法理论 | 第45-46页 |
| ·算法描述 | 第46页 |
| ·预测方法及步骤 | 第46-47页 |
| ·仿真实验 | 第47-48页 |
| ·结果分析 | 第48-50页 |
| 本章小结 | 第50-51页 |
| 第七章 总结与展望 | 第51-53页 |
| ·本文总结 | 第51页 |
| ·未来工作展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第58页 |
