| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究的背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 认知网络的国内外研究现状 | 第11-12页 |
| 1.2.2 网络流量预测的国内外研究现状 | 第12-13页 |
| 1.2.3 负载均衡的国内外研究现状 | 第13-14页 |
| 1.3 论文的研究工作 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第2章 流量预测模型的研究 | 第16-28页 |
| 2.1 网络流量的特性 | 第16-18页 |
| 2.2 网络流量的采集方法 | 第18-19页 |
| 2.3 传统网络流量模型及其性能评价 | 第19-23页 |
| 2.3.1 泊松模型 | 第19-20页 |
| 2.3.2 自回归滑动平均模型 | 第20-21页 |
| 2.3.3 马尔可夫模型 | 第21-22页 |
| 2.3.4 传统网络流量模型的不足 | 第22-23页 |
| 2.4 自相似网络流量模型及其性能评价 | 第23-25页 |
| 2.4.1 开关模型 | 第23-24页 |
| 2.4.2 分形布朗运动模型 | 第24页 |
| 2.4.3 自相似网络流量模型的不足 | 第24-25页 |
| 2.5 负载均衡概述 | 第25页 |
| 2.6 常用的负载均衡方法 | 第25-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第3章 基于改进的网络流量预测模型研究 | 第28-42页 |
| 3.1 几个常用的组合神经网络的预测模型 | 第28-30页 |
| 3.1.1 灰色神经网络组合模型 | 第28-29页 |
| 3.1.2 P2P网络组合模型 | 第29-30页 |
| 3.1.3 小波神经网络组合模型 | 第30页 |
| 3.2 拟改进的组合神经网络模型的选择 | 第30-31页 |
| 3.3 WFLNN预测模型 | 第31-41页 |
| 3.3.1 WFLNN模型算法描述 | 第31-32页 |
| 3.3.2 FLBP算法描述 | 第32-37页 |
| 3.3.3 流量数据的小波处理 | 第37页 |
| 3.3.4 仿真与分析 | 第37-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 认知网络中基于WFLNN预测模型的负载均衡算法 | 第42-54页 |
| 4.1 认知网络中基于WFLNN预测模型的负载均衡方案设计 | 第42-44页 |
| 4.1.1 改进的预测模型算法方案介绍 | 第42-43页 |
| 4.1.2 总体算法方案设计 | 第43-44页 |
| 4.2 认知网络中基于WFLNN预测模型的流量调度算法 | 第44-48页 |
| 4.2.1 加权最小连接调度算法 | 第44-45页 |
| 4.2.2 优化的加权最小连接调度算法介绍 | 第45-46页 |
| 4.2.3 优化的加权最小连接调度算法实现 | 第46-47页 |
| 4.2.4 优化的流量调度算法的可行性分析 | 第47-48页 |
| 4.3 仿真与分析 | 第48-53页 |
| 4.3.1 仿真环境搭建说明 | 第48-50页 |
| 4.3.2 仿真及结果 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 工作总结 | 第54页 |
| 5.2 工作展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录 | 第60页 |
