基于BP神经网络理论的校园网带宽流量预测
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-28页 |
| ·人工神经网络概述 | 第10-16页 |
| ·人工神经网络 | 第10-13页 |
| ·人工神经网络的研究 | 第13-14页 |
| ·人工神经网络的学习方式 | 第14-16页 |
| ·多层前向网络 | 第16-24页 |
| ·M—P模型 | 第16-17页 |
| ·感知器 | 第17-18页 |
| ·自适应线性单元 | 第18-19页 |
| ·多层感知器 | 第19-20页 |
| ·函数连接网络 | 第20-21页 |
| ·径向基函数网络 | 第21-22页 |
| ·学习理论的发展 | 第22-24页 |
| ·网络流量简介 | 第24-26页 |
| ·网络流量国内外研究现状 | 第24-26页 |
| ·网络流量预测意义 | 第26页 |
| ·结论 | 第26页 |
| ·本文的主要工作 | 第26-28页 |
| 第2章 BP神经网络模型及其学习算法 | 第28-38页 |
| ·BP神经网络简介 | 第28-33页 |
| ·BP网络学习过程 | 第29-30页 |
| ·BP算法(反向传播算法) | 第30-33页 |
| ·BP网络学习中应注意的问题 | 第33-35页 |
| ·学习率η的选择 | 第33页 |
| ·激活函数f(x)的选择 | 第33-34页 |
| ·初始权值的选取 | 第34页 |
| ·局部极小问题 | 第34页 |
| ·训练的串行和集中方式 | 第34-35页 |
| ·隐含层个数 | 第35页 |
| ·隐含层单元个数 | 第35页 |
| ·BP算法性能改进措施 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第3章 网络流量预测系统简介 | 第38-50页 |
| ·网络流量预测概述 | 第38-40页 |
| ·网络流量预测的基本原理 | 第39页 |
| ·网络流量预测的特点 | 第39-40页 |
| ·相关技术介绍 | 第40-46页 |
| ·简单网络管理协议(SNMP) | 第40-42页 |
| ·网络流量监测软件(MRGT) | 第42-43页 |
| ·MRTG的配置与应用 | 第43-45页 |
| ·RRD数据库 | 第45-46页 |
| ·网络流量预测系统的结构设计 | 第46-49页 |
| ·流量采集模块介绍 | 第46-48页 |
| ·流量图生成模块介绍 | 第48-49页 |
| ·网络流量预测模块 | 第49页 |
| ·本章小结 | 第49-50页 |
| 第4章 网络流量预测模型的设计与实现 | 第50-67页 |
| ·流量预测模型总体设计 | 第50-54页 |
| ·网络流量时序分析 | 第50-51页 |
| ·网络节点端口流量的引入 | 第51-52页 |
| ·预测对象的确立 | 第52页 |
| ·预测模型结构设计 | 第52-53页 |
| ·带宽占有率预测模型流程图 | 第53-54页 |
| ·BP网络拓扑结构的设计 | 第54-57页 |
| ·构建模型的几个参数的设定 | 第57-59页 |
| ·神经元的激励函数的选定 | 第57-58页 |
| ·权值、阈值的初始值域的确定 | 第58页 |
| ·网络学习速率的确定 | 第58-59页 |
| ·BP算法的设计 | 第59-65页 |
| ·基本BP算法 | 第59-61页 |
| ·BP算法的流程 | 第61-63页 |
| ·本文的BP改进算法方法 | 第63-65页 |
| ·预测模型的结果评价 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 第5章 实验与应用 | 第67-77页 |
| ·BP网络性能实验与实验数据结果分析 | 第67-74页 |
| ·数据的选择和样本的准备 | 第67-69页 |
| ·实验结果及结论 | 第69-74页 |
| ·预测模型结果分析 | 第74-75页 |
| ·训练误差分析 | 第74-75页 |
| ·预测效果分析 | 第75页 |
| ·预测模型在网络流量预测系统中的应用 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 结论 | 第77-78页 |
| 参考文献 | 第78-84页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第84-85页 |
| 致谢 | 第85页 |
