基于深度学习的网络故障诊断方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第9-11页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 研究内容 | 第16页 |
| 1.4 论文安排 | 第16-18页 |
| 第二章 异构网络故障诊断相关技术 | 第18-31页 |
| 2.1 异构网络模型 | 第18-21页 |
| 2.1.1 异构网络系统架构 | 第18-20页 |
| 2.1.2 异构网络面临的挑战 | 第20-21页 |
| 2.2 网络故障诊断概述 | 第21-25页 |
| 2.3 深度学习 | 第25-30页 |
| 2.3.1 深度学习概述 | 第25-28页 |
| 2.3.2 深度学习网络训练过程 | 第28页 |
| 2.3.3 反向传播算法 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于长短时记忆神经网络的网络故障诊断 | 第31-47页 |
| 3.1 网络故障概述 | 第31-33页 |
| 3.2 网络参数分析 | 第33-34页 |
| 3.3 长短时记忆神经网络 | 第34-36页 |
| 3.4 系统模型 | 第36-41页 |
| 3.5 仿真结果 | 第41-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于卷积神经网络的异构无线网络故障诊断 | 第47-65页 |
| 4.1 异构无线网络场景分析 | 第47-48页 |
| 4.2 卷积神经网络 | 第48-50页 |
| 4.3 系统模型 | 第50-59页 |
| 4.3.1 参数选择 | 第51-54页 |
| 4.3.2 第一阶段：监测阶段 | 第54-56页 |
| 4.3.3 第二阶段：诊断阶段 | 第56-59页 |
| 4.4 仿真结果 | 第59-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第五章 基于OPNET的网络故障诊断仿真验证 | 第65-82页 |
| 5.1 仿真环境设计 | 第65-66页 |
| 5.1.1 OPNET介绍 | 第65-66页 |
| 5.1.2 Tensorflow介绍 | 第66页 |
| 5.2 网络环境搭建 | 第66-81页 |
| 5.2.1 LTE网络架构简述 | 第66-67页 |
| 5.2.2 基于OPNET的LTE场景搭建 | 第67-74页 |
| 5.2.3 基于卷积神经网络的故障诊断模型搭建 | 第74-78页 |
| 5.2.4 实验系统运行测试 | 第78-81页 |
| 5.3 本章小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 总结 | 第82页 |
| 6.2 展望 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第88-89页 |
| 附录2 攻读硕士学位期间申请的专利 | 第89-90页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第90-91页 |
| 致谢 | 第91页 |
