| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 本文主要内容与工作成果 | 第10页 |
| 1.3 本文的组织结构 | 第10-11页 |
| 1.4 本章小结 | 第11-12页 |
| 第二章 背景知识介绍 | 第12-24页 |
| 2.1 人工神经网络相关知识 | 第12-17页 |
| 2.1.1 人工神经网络概述 | 第12页 |
| 2.1.2 神经元模型 | 第12-14页 |
| 2.1.3 神经网络的拓扑结构 | 第14-15页 |
| 2.1.4 神经网络的训练 | 第15-16页 |
| 2.1.5 常见的神经网络算法 | 第16-17页 |
| 2.2 样条权函数神经网络 | 第17-21页 |
| 2.2.1 样条权函数神经网络基础 | 第17-20页 |
| 2.2.2 样条权函数神经网络拓扑结构和训练算法 | 第20-21页 |
| 2.3 算法复杂度理论 | 第21-23页 |
| 2.3.1 时间复杂度 | 第22-23页 |
| 2.3.2 空间复杂度 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 3/2 RSWF神经网络复杂度分析 | 第24-56页 |
| 3.1 插值函数与方法 | 第24-27页 |
| 3.1.1 Hermite插值 | 第24-26页 |
| 3.1.2 有理样条插值函数 | 第26-27页 |
| 3.2 3/2 有理样条函数 | 第27-31页 |
| 3.2.1 三次有理样条函数 | 第27页 |
| 3.2.2 一类 3/2 有理样条函数 | 第27-31页 |
| 3.3 3/2 RSWF神经网络拓扑结构及训练算法 | 第31-33页 |
| 3.3.1 第一类 3/2 RSWF神经网络拓扑结构 | 第31-32页 |
| 3.3.2 3/2 RSWF神经网络训练算法 | 第32-33页 |
| 3.4 3/2 RSWF神经网络误差分析 | 第33-38页 |
| 3.4.1 Peano核定理 | 第33-34页 |
| 3.4.2 3/2 RSWF神经网络的误差 | 第34-37页 |
| 3.4.3 3/2 有理插值函数的形状控制 | 第37-38页 |
| 3.5 3/2 RSWF神经网络复杂度分析 | 第38-43页 |
| 3.5.1 3/2 RSWF神经网络的时间复杂度 | 第38-41页 |
| 3.5.2 3/2 RSWF神经网络的空间复杂度 | 第41页 |
| 3.5.3 计算机系统对复杂度的影响 | 第41-43页 |
| 3.6 仿真实验 | 第43-55页 |
| 3.6.1 实验环境 | 第43页 |
| 3.6.2 实验过程与结果分析 | 第43-55页 |
| 3.7 本章小结 | 第55-56页 |
| 第四章 3/2 RSWF神经网络的应用 | 第56-69页 |
| 4.1 数据挖掘相关知识 | 第56-59页 |
| 4.1.1 数据挖掘概述 | 第56-57页 |
| 4.1.2 数据分类算法 | 第57-59页 |
| 4.2 网络流量分类概述 | 第59-63页 |
| 4.2.1 网络流量分类概念 | 第60页 |
| 4.2.2 网络流量分类意义 | 第60-61页 |
| 4.2.3 网络流量分类技术 | 第61-63页 |
| 4.3 基于 3/2 RSWF神经网络的网络流量分类 | 第63-68页 |
| 4.3.1 数据来源 | 第63-64页 |
| 4.3.2 特征项的选择 | 第64页 |
| 4.3.3 数据预处理 | 第64-65页 |
| 4.3.4 基于 3/2 RSWF神经网络的网络流量分类模型 | 第65-66页 |
| 4.3.5 仿真实验 | 第66-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 附录1 程序清单 | 第74-75页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第75-76页 |
| 致谢 | 第76页 |
