| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 网络态势预测研究现状 | 第9-10页 |
| 1.2.2 粒子群优化算法的研究现状 | 第10-11页 |
| 1.3 论文的研究内容 | 第11-12页 |
| 1.4 论文章节安排 | 第12-13页 |
| 第二章 网络态势的概念及常用预测模型 | 第13-22页 |
| 2.1 网络态势的概念 | 第13-14页 |
| 2.2 常用预测模型 | 第14-21页 |
| 2.2.1 BP神经网络预测模型 | 第14-17页 |
| 2.2.2 灰色GM（1,1）预测模型 | 第17-19页 |
| 2.2.3 马尔科夫预测模型 | 第19-20页 |
| 2.2.4 支持向量机测模型 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 粒子群优化算法改进 | 第22-38页 |
| 3.1 粒子群优化算法的原理 | 第22-24页 |
| 3.2 粒子群优化算法的参数分析及其存在的问题 | 第24-26页 |
| 3.3 基于多种群混沌粒子的优化算法 | 第26-32页 |
| 3.3.1 自适应更新策略 | 第27-28页 |
| 3.3.2 MSCPO算法步骤及流程图 | 第28-29页 |
| 3.3.3 标准测试函数的选择 | 第29-32页 |
| 3.4 基于标准测试函数的算法实验分析 | 第32-36页 |
| 3.4.1 实验的软、硬件环境 | 第32页 |
| 3.4.2 实验结果对比 | 第32-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 改进粒子群优化SVR的网络态势预测 | 第38-54页 |
| 4.1 支持向量回归机 | 第38-45页 |
| 4.2 多种群混沌粒子优化SVR的网络态势预测模型 | 第45-50页 |
| 4.2.1 样本数据的确定 | 第45-46页 |
| 4.2.2 样本数据的预处理 | 第46-47页 |
| 4.2.3 网络态势预测模型的建立 | 第47-48页 |
| 4.2.4 预测结果 | 第48-50页 |
| 4.3 预测结果对比分析 | 第50-53页 |
| 4.3.1 预测结果评价指标 | 第50-51页 |
| 4.3.2 预测结果对比 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结和工作展望 | 第54-56页 |
| 5.1 本文总结 | 第54-55页 |
| 5.2 工作展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录 | 第59-64页 |
| 在学期间的研究成果 | 第64-65页 |
| 致谢 | 第65页 |