| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·课题的背景和意义 | 第8页 |
| ·网络流量预测的国内外研究现状 | 第8-10页 |
| ·本文的研究工作 | 第10-12页 |
| ·论文的组织结构 | 第12-13页 |
| 第二章 网络流量的特性及模型研究 | 第13-20页 |
| ·网络流量的特性 | 第13-16页 |
| ·自相似特性 | 第13-14页 |
| ·长相关特性 | 第14-15页 |
| ·多重分形特性 | 第15-16页 |
| ·网络流量的模型 | 第16-19页 |
| ·开/关模型(ON/OFF) | 第16页 |
| ·分形布朗运动模型(FBM) | 第16-17页 |
| ·分形自回归求和滑动平均模型（FARIMA） | 第17-18页 |
| ·多分形小波模型（MWM） | 第18-19页 |
| 本章小结 | 第19-20页 |
| 第三章 基于改进BP 小波网络的网络流量预测研究 | 第20-30页 |
| ·小波神经网络简介 | 第20-24页 |
| ·BP 算法原理 | 第20-22页 |
| ·小波分析简介 | 第22-23页 |
| ·小波神经网络的结构与学习算法 | 第23-24页 |
| ·小波神经网络面临的挑战 | 第24页 |
| ·BP 小波网络的改进算法 | 第24-25页 |
| ·仿真实验 | 第25-29页 |
| ·实验数据及预处理 | 第25-26页 |
| ·模型的构建和训练 | 第26-27页 |
| ·实验结果分析 | 第27-29页 |
| 本章小结 | 第29-30页 |
| 第四章 基于改进的QPSO 训练BP 网络的网络流量预测研究 | 第30-39页 |
| ·基本粒子群优化算法（PSO） | 第30-32页 |
| ·算法原理 | 第30-31页 |
| ·算法流程 | 第31-32页 |
| ·算法的社会行为分析 | 第32页 |
| ·具有量子行为粒子群算法(QPSO) | 第32-34页 |
| ·粒子群算法的缺点 | 第32-33页 |
| ·具有量子行为粒子群算法模型 | 第33-34页 |
| ·具有量子行为粒子群算法的优点与不足 | 第34页 |
| ·改进的具有量子行为粒子群算法 | 第34-35页 |
| ·利用改进的QPSO 算法训练BP 网络 | 第35-36页 |
| ·算法描述 | 第35-36页 |
| ·算法步骤 | 第36页 |
| ·仿真实验 | 第36-38页 |
| ·实验数据 | 第36页 |
| ·模型的构建和训练 | 第36-37页 |
| ·实验结果 | 第37-38页 |
| 本章小结 | 第38-39页 |
| 第五章 融合小波变换与贝叶斯LS-SVM 的网络流量预测研究 | 第39-50页 |
| ·小波分解及其单支重构 | 第39-41页 |
| ·用于回归估计最小二乘支持向量机(LS-SVM) | 第41-42页 |
| ·贝叶斯框架下的LS-SVM 参数选择 | 第42-45页 |
| ·参数w 和b 的推断(第一级推断) | 第42-43页 |
| ·参数μ和ζ的推断(第二级推断) | 第43-45页 |
| ·核函数参数的推断(第三级推断) | 第45页 |
| ·仿真实验 | 第45-49页 |
| ·实验数据及数据预处理 | 第45-46页 |
| ·模型的构建和训练 | 第46-47页 |
| ·实验结果 | 第47-49页 |
| 本章小结 | 第49-50页 |
| 第六章 三种预测模型的性能比较 | 第50-55页 |
| ·比较说明 | 第50页 |
| ·对比实验 | 第50-54页 |
| ·实验数据及重构方法 | 第50-51页 |
| ·模型的构建和训练 | 第51页 |
| ·实验结果及分析 | 第51-54页 |
| 本章小结 | 第54-55页 |
| 第七章 总结与展望 | 第55-57页 |
| ·工作总结 | 第55-56页 |
| ·未来工作展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第62页 |