云环境下工作负载预测模型的研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第二章 相关工作 | 第15-30页 |
| 2.1 云计算 | 第15-19页 |
| 2.1.2 云计算特点 | 第15-16页 |
| 2.1.3 云计算应用 | 第16-17页 |
| 2.1.4 云计算服务分类 | 第17-19页 |
| 2.2 云负载 | 第19-24页 |
| 2.2.1 云负载概念 | 第19-20页 |
| 2.2.2 云负载特点 | 第20-21页 |
| 2.2.3 云负载分类 | 第21-24页 |
| 2.3 两种典型的负载预测模型 | 第24-29页 |
| 2.3.1 朴素贝叶斯分类器 | 第24-27页 |
| 2.3.2 隐马尔科夫预测模型（HMM） | 第27-29页 |
| 2.3.3 现存预测模型中存在的问题 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 一种基于K-means的改进聚类算法 | 第30-41页 |
| 3.1 聚类的概念 | 第30-33页 |
| 3.2 聚类方法的分类 | 第33-35页 |
| 3.3 K-means算法原理 | 第35-36页 |
| 3.4 K-means算法优点与缺点分析 | 第36-37页 |
| 3.5 改进的K-means算法 | 第37-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 RVLBPNN负载预测算法 | 第41-49页 |
| 4.1 神经网络概述 | 第41-42页 |
| 4.2 神经元模型 | 第42-43页 |
| 4.3 BP神经网络模型 | 第43-45页 |
| 4.3.1 BP神经网络概述 | 第43页 |
| 4.3.2 BP神经网络公式推导过程 | 第43-45页 |
| 4.4 改进的BP神经网络算法 | 第45-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 实验结果分析与评估 | 第49-54页 |
| 5.1 实验环境及仿真工具 | 第49页 |
| 5.2 实验数据集介绍 | 第49页 |
| 5.3 K-RVLBPNN负载预测模型 | 第49-50页 |
| 5.4 仿真实验结果及分析 | 第50-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 工作总结 | 第54-55页 |
| 6.2 工作展望 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间发表的学术论文和参与的科研项目 | 第62页 |
| 发表的学术论文 | 第62页 |
| 参与的科研项目 | 第62页 |
