基于优化神经网络的无线网络流量预测方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文研究内容 | 第12-13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 第二章 基础理论 | 第14-31页 |
| 2.1 时间序列分析 | 第14-18页 |
| 2.1.1 概述 | 第14页 |
| 2.1.2 时间序列分析基本方法 | 第14-15页 |
| 2.1.3 传统时间序列分析 | 第15-17页 |
| 2.1.4 混沌时间序列分析 | 第17-18页 |
| 2.2 小波分析 | 第18-20页 |
| 2.2.1 概述 | 第18-19页 |
| 2.2.2 稳定小波变换 | 第19-20页 |
| 2.3 神经网络 | 第20-25页 |
| 2.3.1 概述 | 第20-22页 |
| 2.3.2 BP神经网络学习算法 | 第22-24页 |
| 2.3.3 BP神经网络存在的问题 | 第24页 |
| 2.3.4 RBF神经网络 | 第24-25页 |
| 2.4 量子遗传算法 | 第25-30页 |
| 2.4.1 概述 | 第25-26页 |
| 2.4.2 遗传算法 | 第26-27页 |
| 2.4.3 量子编码 | 第27-28页 |
| 2.4.4 量子旋转门 | 第28-29页 |
| 2.4.5 量子遗传算法流程 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 无线网络流量特性及模型分析 | 第31-41页 |
| 3.1 实验数据 | 第31-32页 |
| 3.2 数据特性分析 | 第32-37页 |
| 3.2.1 统计特性 | 第32-33页 |
| 3.2.2 自相似性与自相关特性 | 第33-34页 |
| 3.2.3 混沌特性 | 第34-37页 |
| 3.3 基于ARIMA模型的流量预测方法 | 第37-38页 |
| 3.4 基于混沌-RBF神经网络的预测方法 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 BP神经网络优化算法研究 | 第41-47页 |
| 4.1 BP神经网络优化方案 | 第41-43页 |
| 4.1.1 结构设计 | 第41页 |
| 4.1.2 陷入局部最优解 | 第41-42页 |
| 4.1.3 过适配问题 | 第42-43页 |
| 4.2 基于量子遗传算法优化的神经网络 | 第43-45页 |
| 4.3 基于优化神经网络的流量预测模型 | 第45-46页 |
| 4.3.1 SWT-QGA-BP模型设计 | 第45页 |
| 4.3.2 SWT-QGA-BP预测流程 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 实验 | 第47-62页 |
| 5.1 数据预处理 | 第47-48页 |
| 5.2 预测评价准则 | 第48-49页 |
| 5.3 预测结果分析 | 第49-61页 |
| 5.3.1 实验方案 | 第49-50页 |
| 5.3.2 单步预测 | 第50-54页 |
| 5.3.3 多步预测 | 第54-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 全文总结 | 第62-63页 |
| 6.2 进一步工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间发表学术论文目录 | 第69页 |
