| 摘要 | 第1-9页 |
| ABSTRACT | 第9-10页 |
| 符号说明 | 第10-11页 |
| 第一章 绪论 | 第11-15页 |
| ·研究背景及意义 | 第11-12页 |
| ·本文的工作 | 第12-14页 |
| ·小结 | 第14-15页 |
| 第二章 网络流量的特性和模型研究 | 第15-30页 |
| ·传统网络流量模型的特点 | 第15-17页 |
| ·马尔可夫过程 | 第15页 |
| ·泊松过程 | 第15-17页 |
| ·网络流量特性 | 第17-21页 |
| ·自相似过程的定义 | 第17-19页 |
| ·长相关特性 | 第19-20页 |
| ·多重分形和突发性特征 | 第20-21页 |
| ·网络流量Hurst参数的估计方法 | 第21-25页 |
| ·方差时间法 | 第22页 |
| ·绝对值-时间法 | 第22页 |
| ·周期图 | 第22-23页 |
| ·R/S估值法 | 第23页 |
| ·Whittle估计方法 | 第23-24页 |
| ·小波法 | 第24-25页 |
| ·网络业务流量模型 | 第25-29页 |
| ·分形布朗运动(FBM) | 第25-26页 |
| ·分形高斯噪声(FGN) | 第26页 |
| ·分形ARIMA过程(FARIMA) | 第26-27页 |
| ·ON/OFF信源叠加 | 第27-28页 |
| ·多分形小波模型(Multifractal Wavelet Model) | 第28-29页 |
| ·小结 | 第29-30页 |
| 第三章 小波变换理论 | 第30-38页 |
| ·连续小波变换 | 第30-33页 |
| ·离散小波变换 | 第33-34页 |
| ·小波框架 | 第34-35页 |
| ·多分辨率分析与Mallet算法 | 第35-37页 |
| ·小结 | 第37-38页 |
| 第四章 神经网络模型及改进的学习算法 | 第38-50页 |
| ·神经元模型 | 第38-39页 |
| ·神经网络模型 | 第39-41页 |
| ·几种典型神经网络结构 | 第41-42页 |
| ·神经网络的学习与训练 | 第42-43页 |
| ·可变学习速度的BP算法 | 第43-48页 |
| ·小结 | 第48-50页 |
| 第五章 基于联合神经网络的网络流量预测模型 | 第50-63页 |
| ·网络流量的平稳化处理 | 第51-53页 |
| ·线性神经网络预测 | 第53-54页 |
| ·Elman神经网络预测 | 第54-55页 |
| ·BP神经网络拟合数据 | 第55-56页 |
| ·对并行预测数据的联合方法 | 第56-57页 |
| ·实验仿真 | 第57-62页 |
| ·实验数据 | 第57页 |
| ·模型的构建和训练 | 第57-58页 |
| ·实验结果 | 第58-62页 |
| ·小结 | 第62-63页 |
| 第六章 结束语 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士期间发表的学术论文 | 第70-71页 |
| 学位论文评阅及答辩情况表 | 第71页 |