基于支持向量机的网络流量预测研究
| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 1 绪论 | 第7-13页 |
| ·课题的背景和意义 | 第7-8页 |
| ·网络流量预测国内外研究现状 | 第8-10页 |
| ·本文的研究内容和结构安排 | 第10-13页 |
| ·研究内容 | 第10-12页 |
| ·论文的结构安排 | 第12-13页 |
| 2 用于回归估计的支持向量机方法 | 第13-25页 |
| ·统计学习理论 | 第13-15页 |
| ·支持向量机回归估计方法 | 第15-20页 |
| ·线性情况 | 第15-18页 |
| ·非线性情况 | 第18-19页 |
| ·关于支持向量机方法的说明 | 第19-20页 |
| ·最小二乘支持向量机 | 第20-21页 |
| ·支持向量机研究现状 | 第21-23页 |
| ·理论研究 | 第21-22页 |
| ·应用研究 | 第22-23页 |
| ·本章小结 | 第23-25页 |
| 3 网络流量数据的样本选择与预处理 | 第25-37页 |
| ·网络流量预测概述 | 第25-28页 |
| ·网络流量预测的特点 | 第26-27页 |
| ·网络流量预测的基本原理 | 第27页 |
| ·网络流量预测的主要评价指标 | 第27-28页 |
| ·网络流量特性分析 | 第28-34页 |
| ·大时间粒度网络流量特性分析 | 第28-31页 |
| ·小时间粒度网络流量特性分析 | 第31-34页 |
| ·历史资料中异常数据的检测与处理 | 第34-35页 |
| ·异常数据的影响及分类 | 第34页 |
| ·对异常数据的识别和修正方法 | 第34-35页 |
| ·样本的选择 | 第35页 |
| ·样本的特征选择 | 第35页 |
| ·训练样本和测试样本的选择 | 第35页 |
| ·本章小结 | 第35-37页 |
| 4 基于支持向量机的网络流量预测研究 | 第37-55页 |
| ·支持向量机的模型选择 | 第37-39页 |
| ·核函数 | 第38页 |
| ·核函数作用及核参数的影响 | 第38页 |
| ·支持向量机中参数 C 的影响 | 第38-39页 |
| ·基于 SVM 的网络流量预测研究 | 第39-40页 |
| ·基于 SVM 的网络流量预测步骤 | 第39-40页 |
| ·基于 SVM 的网络流量预测分析 | 第40页 |
| ·大时间粒度网络流量预测仿真 | 第40-49页 |
| ·小时间粒度网络流量预测仿真 | 第49-53页 |
| ·本章小结 | 第53-55页 |
| 5 支持向量机和神经网络预测方法比较 | 第55-67页 |
| ·相似点 | 第55-57页 |
| ·非线性学习能力 | 第55页 |
| ·模型结构特点 | 第55-57页 |
| ·支持向量机的特点 | 第57-58页 |
| ·适应性的模型结构 | 第57页 |
| ·全局最优 | 第57页 |
| ·减少过拟合 | 第57-58页 |
| ·神经网络的特点 | 第58页 |
| ·仿真实验 | 第58-64页 |
| ·神经网络输入/输出向量设计 | 第59页 |
| ·大时间粒度网络流量仿真实验 | 第59-60页 |
| ·小时间粒度网络流量仿真实验 | 第60-64页 |
| ·仿真结果分析 | 第64-65页 |
| ·学习能力 | 第64页 |
| ·泛化能力 | 第64-65页 |
| ·收敛速度 | 第65页 |
| ·最优性 | 第65页 |
| ·本章小结 | 第65-67页 |
| 6 总结与展望 | 第67-69页 |
| ·本文总结 | 第67-68页 |
| ·未来工作展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-74页 |
