基于t分布混合模型的网络多媒体业务流分类方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 网络流分类方法 | 第11-13页 |
| 1.2.2 网络多媒体业务 | 第13-14页 |
| 1.2.3 网络多媒体业务流分类研究现状 | 第14-15页 |
| 1.3 本文主要工作和论文结构 | 第15-17页 |
| 第二章 网络流分类的相关理论简介 | 第17-27页 |
| 2.1 网络流简介 | 第17-19页 |
| 2.1.1 流量特征级别 | 第17-18页 |
| 2.1.2 网络流和流分类 | 第18-19页 |
| 2.2 基于机器学习的流分类方法 | 第19-21页 |
| 2.2.1 有监督分类方法 | 第19-20页 |
| 2.2.2 无监督分类方法 | 第20页 |
| 2.2.3 半监督分类方法 | 第20-21页 |
| 2.3 网络流分类评价指标 | 第21-22页 |
| 2.4 两种常用的机器学习算法简介 | 第22-26页 |
| 2.4.1 K-Means算法 | 第22-23页 |
| 2.4.2 EM算法 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于t分布混合模型的流分类方法 | 第27-43页 |
| 3.1 高斯分布和高斯混合模型简介 | 第27-30页 |
| 3.1.1 高斯分布简介 | 第27-28页 |
| 3.1.2 高斯混合模型 | 第28-29页 |
| 3.1.3 高斯混合模型的EM算法 | 第29-30页 |
| 3.2 t分布和t分布混合模型 | 第30-33页 |
| 3.2.1 t分布和t分布混合模型 | 第30-31页 |
| 3.2.2 t分布混合模型的EM算法 | 第31-33页 |
| 3.3 流分类与t分布混合模型 | 第33-42页 |
| 3.3.1 多媒体业务流的QoS特征 | 第33-34页 |
| 3.3.2 常用特征分析 | 第34-37页 |
| 3.3.3 特征组合和特征选择 | 第37-39页 |
| 3.3.4 基于t分布混合模型的流分类方法 | 第39-40页 |
| 3.3.5 流分类方法分析 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于有限t分布混合模型的半监督分类方法 | 第43-54页 |
| 4.1 改进方法的基本思想 | 第43-45页 |
| 4.1.1 高斯分布和 3σ 准则 | 第43-44页 |
| 4.1.2 t分布和修正的 3σ 准则 | 第44-45页 |
| 4.2 有限t分布混合模型 | 第45-46页 |
| 4.3 有限t分布混合模型分析 | 第46-48页 |
| 4.4 有限t分布混合模型的半监督流分类方法 | 第48-53页 |
| 4.4.1 半监督流分类模型 | 第48-49页 |
| 4.4.2 已标识样本数目的影响 | 第49-50页 |
| 4.4.3 选取聚类中心 | 第50-51页 |
| 4.4.4 细分类算法讨论 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 网络多媒体业务流分类实验 | 第54-63页 |
| 5.1 实验设计 | 第54-56页 |
| 5.1.1 实验模型 | 第54页 |
| 5.1.2 网络环境和软硬件平台 | 第54-55页 |
| 5.1.3 实验数据集 | 第55-56页 |
| 5.2 实验分析 | 第56-62页 |
| 5.2.1 特征选择 | 第57-58页 |
| 5.2.2 自由度的确定 | 第58-59页 |
| 5.2.3 混合模型分析 | 第59页 |
| 5.2.4 聚类数的影响 | 第59-61页 |
| 5.2.5 算法迭代次数和运行时间分析 | 第61-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 附录1攻读硕士学位期间撰写的论文 | 第68-69页 |
| 附录2攻读硕士学位期间申请的专利 | 第69-70页 |
| 致谢 | 第70页 |
