基于改进支持向量机的网络流量预测算法的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| CONTENTS | 第10-12页 |
| 第一章 绪论 | 第12-16页 |
| ·选题背景及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·课题研究内容 | 第14-15页 |
| ·论文组织架构 | 第15-16页 |
| 第二章 网络流量预测的相关问题 | 第16-23页 |
| ·网络流量的特性 | 第16-17页 |
| ·网络流量预测的特征 | 第17-19页 |
| ·网络流量数据的获取方法 | 第19-20页 |
| ·网络流量预测算法模型 | 第20-22页 |
| ·线性预测模型 | 第20-21页 |
| ·非线性预测模型 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 神经网络预测算法 | 第23-29页 |
| ·神经网络概述 | 第23-25页 |
| ·神经网络模型 | 第23-25页 |
| ·神经网络分类 | 第25页 |
| ·BP神经网络概述 | 第25-26页 |
| ·BP神经网络算法存在的问题 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第四章 支持向量机预测算法 | 第29-44页 |
| ·支持向量机分类机 | 第29-35页 |
| ·基本原理 | 第29-31页 |
| ·线性可分支持向量机 | 第31-32页 |
| ·线性不可分支持向量机 | 第32-35页 |
| ·支持向量回归机 | 第35-36页 |
| ·与BP神经网络算法的比较 | 第36-37页 |
| ·支持向量机算法存在的问题 | 第37-42页 |
| ·核函数的选择 | 第37-42页 |
| ·惩罚因子的影响 | 第42页 |
| ·不敏感损失函数的确定 | 第42页 |
| ·本章小结 | 第42-44页 |
| 第五章 改进支持向量机算法的设计 | 第44-50页 |
| ·遗传算法概述 | 第44-47页 |
| ·基于遗传算法的改进支持向量机算法 | 第47-49页 |
| ·染色体的编码方式 | 第47页 |
| ·适应度函数 | 第47-48页 |
| ·选择、交叉与变异 | 第48页 |
| ·算法的流程设计 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第六章 基于改进支持向量机的网络流量预测 | 第50-62页 |
| ·实验介绍 | 第50-51页 |
| ·数据样本的选择与处理 | 第51-54页 |
| ·样本来源 | 第51-53页 |
| ·样本构造 | 第53-54页 |
| ·归一化处理 | 第54页 |
| ·误差指标 | 第54页 |
| ·训练与预测 | 第54-58页 |
| ·改进支持向量机算法 | 第54-57页 |
| ·BP神经网络算法 | 第57-58页 |
| ·预测结果分析 | 第58-61页 |
| ·本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间发表的论文 | 第68-70页 |
| 致谢 | 第70页 |
