| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-15页 |
| ·研究的背景和意义 | 第10-11页 |
| ·课题来源 | 第11页 |
| ·网络流量测量研究现状 | 第11-13页 |
| ·本文内容安排和主要工作 | 第13-15页 |
| 第二章 网络流量预测模型 | 第15-29页 |
| ·网络流量特性分析 | 第15-19页 |
| ·自相似性 | 第15-16页 |
| ·长相关性 | 第16-17页 |
| ·多分形性 | 第17-18页 |
| ·周期性和混沌性 | 第18-19页 |
| ·传统线性流量预测模型 | 第19-22页 |
| ·泊松模型 | 第19-20页 |
| ·马尔科夫模型 | 第20-21页 |
| ·AR 模型 | 第21-22页 |
| ·传统流量模型的缺点 | 第22页 |
| ·非线性流量预测模型 | 第22-27页 |
| ·神经网络预测模型 | 第23-24页 |
| ·混沌理论预测模型 | 第24-25页 |
| ·支持向量机预测模型 | 第25-26页 |
| ·模糊理论预测模型 | 第26-27页 |
| ·混合预测模型 | 第27页 |
| ·流量预测的主要评价指标 | 第27-29页 |
| 第三章 基于季节周期性Elman 网络的流量预测模型 | 第29-39页 |
| ·引言 | 第29页 |
| ·季节周期性Elman 网络 | 第29-33页 |
| ·Elman 神经网络模型 | 第29-30页 |
| ·季节周期性Elman 网络模型 | 第30-32页 |
| ·季节周期性Elman 网络学习算法 | 第32-33页 |
| ·流量预测模型 | 第33-35页 |
| ·流量数据在模型中的数据结构 | 第33页 |
| ·数据采集与处理 | 第33-34页 |
| ·输入输出节点选取 | 第34-35页 |
| ·训练参数选择 | 第35页 |
| ·仿真实验 | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 新型Elman 混沌神经网络的网络流量预测 | 第39-45页 |
| ·引言 | 第39页 |
| ·SIMF Elman 网络及其训练算法 | 第39-42页 |
| ·SIMF Elman 网络 | 第39-41页 |
| ·混沌训练算法 | 第41-42页 |
| ·SIMF Elman 网络流量预测模型 | 第42-44页 |
| ·网络流量预测模型 | 第42页 |
| ·数据采集 | 第42-43页 |
| ·模型训练与测试 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 基于网络流量分解的流量预测模型 | 第45-55页 |
| ·引言 | 第45-46页 |
| ·基于流量分解的季节性神经网络模型 | 第46-47页 |
| ·建模思想 | 第46页 |
| ·流量预测模型 | 第46-47页 |
| ·基于流量分解的季节性神经网络模型 | 第47-52页 |
| ·数据采集 | 第47-48页 |
| ·数据处理 | 第48-49页 |
| ·模型学习 | 第49-50页 |
| ·预测结果 | 第50-52页 |
| ·流量预测模型应用 | 第52-54页 |
| ·流量行为实时更新 | 第52页 |
| ·基于标准差自适应边界值模型检测 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| ·总结 | 第55页 |
| ·下一步工作与研究展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间发表论文及参与项目 | 第63-64页 |