| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第1章 绪论 | 第7-11页 |
| ·论文的背景及意义 | 第7-8页 |
| ·国内外的研究现状 | 第8-10页 |
| ·国外的研究现状 | 第8-9页 |
| ·国内的研究现状 | 第9-10页 |
| ·本文研究的主要内容 | 第10-11页 |
| 第2章 信息理论学习相关理论 | 第11-23页 |
| ·信息理论学习的相关介绍 | 第11页 |
| ·信息理论学习的基本理论 | 第11-17页 |
| ·信息熵 | 第11-13页 |
| ·平均互信息 | 第13-14页 |
| ·瑞利熵以及其估计 | 第14-16页 |
| ·可再生核希尔珀特空间(RKHS) | 第16-17页 |
| ·自适应系统 | 第17-21页 |
| ·自适应学习类型 | 第17-19页 |
| ·自适应权值迭代过程 | 第19-21页 |
| ·小结 | 第21-23页 |
| 第3章 网络流量特性及模型 | 第23-35页 |
| ·网络流量的特性 | 第23-28页 |
| ·自相似性 | 第23-25页 |
| ·长相关性 | 第25-26页 |
| ·重尾分布 | 第26页 |
| ·单分形和多重分形 | 第26-28页 |
| ·传统的网络流量模型 | 第28-30页 |
| ·泊松模型 | 第28-29页 |
| ·马尔可夫模型 | 第29页 |
| ·回归模型 | 第29-30页 |
| ·传统模型的不足 | 第30页 |
| ·自相似(长相关)模型 | 第30-34页 |
| ·重尾分布on/off模型 | 第31-32页 |
| ·分形布朗运动模型 | 第32-33页 |
| ·分形自回归求和滑动平均模型 | 第33-34页 |
| ·小结 | 第34-35页 |
| 第4章 相关熵准则与神经网络结合的流量预测模型 | 第35-49页 |
| ·人工神经网路概述 | 第35-37页 |
| ·BP网络类型 | 第37-39页 |
| ·广义相关熵(Correntropy)及其性质 | 第39-42页 |
| ·Elman神经网络与相关熵结合的网络模型 | 第42-47页 |
| ·Elman神经网络 | 第42-43页 |
| ·Elman神经网络与最大相关准则(MCC)结合的模型 | 第43-47页 |
| ·小结 | 第47-49页 |
| 第5章 仿真与分析 | 第49-59页 |
| ·数据的预处理 | 第49-50页 |
| ·模型的学习算法流程 | 第50-51页 |
| ·网络流量预测仿真 | 第51-57页 |
| ·不同隐藏层神经元数目下的网络流量预测 | 第51-54页 |
| ·不同σ下的MCC与MCC_MSE的网络流量预测比较 | 第54-56页 |
| ·不同γ下的MCC_MSE网络流量预测 | 第56-57页 |
| ·小结 | 第57-59页 |
| 第6章 总结与展望 | 第59-61页 |
| ·全文总结 | 第59页 |
| ·展望未来 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间取得的研究成果 | 第65-67页 |
| 致谢 | 第67-68页 |