网络安全性技术分析--基于小波包神经网络的混合模型网络流量预测分析
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-9页 |
| ·选题背景及意义 | 第7页 |
| ·研究现状 | 第7-8页 |
| ·论文的主要研究工作 | 第8-9页 |
| 第二章 人工神经网络 | 第9-17页 |
| ·人工神经网络的发展概况 | 第9-10页 |
| ·神经信息处理的基本原理 | 第10-11页 |
| ·人工神经网络的数学模型 | 第11-13页 |
| ·反馈网络 | 第11-12页 |
| ·前馈网络 | 第12-13页 |
| ·自组织网络 | 第13页 |
| ·人工神经网络的学习过程 | 第13-15页 |
| ·人工神经网络的发展 | 第15-17页 |
| ·基于灰色系统的神经网络模型 | 第15页 |
| ·基于专家系统的神经网络模型 | 第15页 |
| ·基于小波分析的神经网络模型 | 第15-17页 |
| 第三章 小波包神经网络在流量预测中的应用 | 第17-36页 |
| ·小波分析 | 第17-22页 |
| ·小波的发展 | 第17页 |
| ·小波分析理论基础 | 第17-21页 |
| ·小波变换的信号降噪和压缩 | 第21-22页 |
| ·小波包神经网络模型 | 第22-25页 |
| ·小波包理论 | 第22-23页 |
| ·小波包滤波算法 | 第23-25页 |
| ·实验数据 | 第25-27页 |
| ·实验数据的描述 | 第25页 |
| ·实验数据的处理 | 第25-26页 |
| ·滚动优化 | 第26-27页 |
| ·仿真实验 | 第27-30页 |
| ·小波包神经网络的几种改进算法 | 第30-36页 |
| ·基于熵函数的神经网络模型 | 第30-31页 |
| ·基于量子粒子群算法的小波神经网络模型 | 第31-36页 |
| 第四章 引入卡尔曼滤波的流量预测模型研究 | 第36-43页 |
| ·卡尔曼滤波理论 | 第36页 |
| ·卡尔曼滤波思想介绍 | 第36页 |
| ·随机线性离散Kalman 滤波模型 | 第36-39页 |
| ·随机线性离散系统的数学模型 | 第36-38页 |
| ·随机线性离散系统Kalman 滤波基本方程 | 第38-39页 |
| ·基于卡尔曼滤波的神经网络优化模型 | 第39-41页 |
| ·仿真实验 | 第41-43页 |
| 第五章 基于模拟退火算法的流量预测模型 | 第43-50页 |
| ·模拟退火算法简介 | 第43-44页 |
| ·模拟退火算法的理论基础 | 第43页 |
| ·模拟退火算法的数学模型 | 第43-44页 |
| ·模拟退火算法模型和基本步骤 | 第44页 |
| ·模拟退火算法优化小波神经网络 | 第44-47页 |
| ·基于模拟退火算法的小波包神经网络优化模型 | 第44-46页 |
| ·基于模拟退火算法改进的小波包神经网络算法描述 | 第46-47页 |
| ·仿真实验 | 第47-50页 |
| 第六章 总结与展望 | 第50-52页 |
| ·工作总结 | 第50页 |
| ·展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第57页 |
