| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 空间信息网概述 | 第11-13页 |
| 1.1.1 空间信息网组成及特点 | 第11-13页 |
| 1.2 空间信息网故障预测技术的研究目的和意义 | 第13-14页 |
| 1.3 技术路线 | 第14页 |
| 1.4 论文组织结构 | 第14-17页 |
| 第2章 网络故障预测的研究现状 | 第17-29页 |
| 2.1 故障预测技术概述 | 第17-18页 |
| 2.1.1 故障诊断技术发展历史 | 第17-18页 |
| 2.1.2 故障诊断关键问题 | 第18页 |
| 2.2 故障诊断的方法 | 第18-21页 |
| 2.2.1 基于告警关联的诊断 | 第18-20页 |
| 2.2.2 基于图论的诊断 | 第20-21页 |
| 2.2.3 系统级的诊断 | 第21页 |
| 2.3 现有的数据处理方法 | 第21-25页 |
| 2.3.1 基于粗糙集的属性约简算法 | 第22-23页 |
| 2.3.2 基于Skowron差别矩阵的属性约简算法 | 第23-24页 |
| 2.3.3 基于多叉树的属性约简算法 | 第24-25页 |
| 2.4 数据预测的方法 | 第25-27页 |
| 2.4.1 时间序列预测 | 第25-26页 |
| 2.4.2 基于隐马尔可夫模型回归的多变量预测 | 第26-27页 |
| 2.5 小结 | 第27-29页 |
| 第3章 空间信息网故障预测算法 | 第29-49页 |
| 3.1 空间信息网故障预测模型 | 第29-30页 |
| 3.2 基于粗糙集理论的数据采集 | 第30-34页 |
| 3.2.1 决策表及客观属性重要度 | 第30-31页 |
| 3.2.2 分辨矩阵及其函数对决策表约简 | 第31页 |
| 3.2.3 网络故障规则的提取及客观属性评价 | 第31-34页 |
| 3.3 基于灰色模型的数据预测 | 第34-36页 |
| 3.3.1 灰色理论 | 第34页 |
| 3.3.2 灰色系统建模理论 | 第34-35页 |
| 3.3.3 灰色预测模型介绍 | 第35-36页 |
| 3.4 基于误差反向神经网络的故障预测 | 第36-43页 |
| 3.4.1 BP神经网络的算法思想 | 第36-37页 |
| 3.4.2 BP神经元模型 | 第37页 |
| 3.4.3 BP学习算法 | 第37-42页 |
| 3.4.4 数据的变换处理 | 第42-43页 |
| 3.5 基于灰色误差反向神经网络的预测模型 | 第43-46页 |
| 3.5.1 灰色神经网络模型基础 | 第43-45页 |
| 3.5.2 空间信息网的预测模型 | 第45-46页 |
| 3.6 小结 | 第46-49页 |
| 第4章 空间信息网故障预测算法性能分析 | 第49-65页 |
| 4.1 仿真工具 | 第49-51页 |
| 4.1.1 NS2简介 | 第49-50页 |
| 4.1.2 Matlab语言简介 | 第50-51页 |
| 4.2 仿真环境设置及故障数据的提取 | 第51-52页 |
| 4.2.1 仿真环境设置 | 第51页 |
| 4.2.2 故障数据的提取 | 第51-52页 |
| 4.3 故障诊断算法的训练过程 | 第52-56页 |
| 4.3.1 BP算法训练参数选择 | 第52-56页 |
| 4.4 灰色误差神经网络数据预测算法 | 第56-63页 |
| 4.5 小结 | 第63-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 论文工作总结 | 第65页 |
| 5.2 未来研究方向 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-75页 |
| 攻读硕士学位期间参与的科研项目情况 | 第75页 |