基于优化神经网络的混合网络流量预测模型仿真与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-16页 |
| 1.1 研究的背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 2 理论概述 | 第16-35页 |
| 2.1 时间序列分析 | 第16-22页 |
| 2.1.1 概述 | 第16页 |
| 2.1.2 时间序列分析基本方法 | 第16-18页 |
| 2.1.3 传统时间序列分析 | 第18-20页 |
| 2.1.4 混沌时间序列分析 | 第20-22页 |
| 2.2 小波分析 | 第22-24页 |
| 2.2.1 概述 | 第22页 |
| 2.2.2 稳定小波变换 | 第22-23页 |
| 2.2.3 小波基 | 第23-24页 |
| 2.3 神经网络 | 第24-29页 |
| 2.3.1 概述 | 第24-26页 |
| 2.3.2 BP神经网络算法 | 第26-28页 |
| 2.3.3 BP神经网络存在的问题 | 第28页 |
| 2.3.4 径向基函数神经网络 | 第28-29页 |
| 2.4 量子遗传算法 | 第29-34页 |
| 2.4.1 概述 | 第29-30页 |
| 2.4.2 遗传算法 | 第30-31页 |
| 2.4.3 量子编码 | 第31-32页 |
| 2.4.4 量子门 | 第32-33页 |
| 2.4.5 算法流程 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 实验数据及网络流量特性 | 第35-45页 |
| 3.1 流量矩阵 | 第35-37页 |
| 3.1.1 流量矩阵的定义 | 第35-36页 |
| 3.1.2 流量矩阵的获取 | 第36页 |
| 3.1.3 流量矩阵相关应用 | 第36-37页 |
| 3.2 实验数据 | 第37-39页 |
| 3.3 数据特性分析 | 第39-42页 |
| 3.3.1 自相似性与自相关特性 | 第40页 |
| 3.3.2 混沌特性 | 第40-42页 |
| 3.4 基于ARMA模型的预测方法 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 研究模型设计 | 第45-52页 |
| 4.1 神经网络优化方案 | 第45-46页 |
| 4.1.1 结构设计 | 第45页 |
| 4.1.2 陷入局部最优解 | 第45-46页 |
| 4.1.3 过适配问题 | 第46页 |
| 4.2 基于量子遗传算法优化的神经网络 | 第46-48页 |
| 4.3 基于优化神经网络的流量预测模型 | 第48-50页 |
| 4.3.1 Q-BP模型设计 | 第48-49页 |
| 4.3.2 Q-BP模型流程 | 第49-50页 |
| 4.4 本章小结 | 第50-52页 |
| 5 仿真设计及结果分析 | 第52-67页 |
| 5.1 预测评估标准 | 第52-53页 |
| 5.2 数据集BC-POCT16仿真 | 第53-59页 |
| 5.2.1 实验方案 | 第53页 |
| 5.2.2 单步预测 | 第53-57页 |
| 5.2.3 多步预测 | 第57-59页 |
| 5.3 ABILENE网络数据集仿真 | 第59-66页 |
| 5.3.1 实验方案 | 第59-60页 |
| 5.3.2 单步预测 | 第60-63页 |
| 5.3.3 多步预测 | 第63-66页 |
| 5.4 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 本文工作总结 | 第67-68页 |
| 6.2 未来的展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 作者简历 | 第72-74页 |
| 学位论文数据集 | 第74页 |
