| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题选题意义 | 第10页 |
| 1.2 论文的研究背景 | 第10-14页 |
| 1.2.1 下一代网络研究现状 | 第10-12页 |
| 1.2.2 网络行为分析研究现状 | 第12-13页 |
| 1.2.3 预测技术的研究现现状 | 第13-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-18页 |
| 第二章 基于神经网络的混沌时间序列预测基本理论 | 第18-28页 |
| 2.1 混沌系统 | 第18-20页 |
| 2.1.1 混沌的定义和特征 | 第18页 |
| 2.1.2 混沌的判定准则 | 第18-20页 |
| 2.2 预测技术 | 第20-22页 |
| 2.2.1 预测的基本理论 | 第20-21页 |
| 2.2.2 常见的预测模型 | 第21-22页 |
| 2.3 神经网络 | 第22-26页 |
| 2.3.1 神经网络基本模型及分类 | 第23-24页 |
| 2.3.2 神经网络的学习模式 | 第24-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 网络用户行为分析 | 第28-36页 |
| 3.1 网络用户行为的定义 | 第28-31页 |
| 3.1.1 网络用户行为的定义 | 第28-29页 |
| 3.1.2 网络用户行为的分类 | 第29-30页 |
| 3.1.3 网络用户行为的特征 | 第30-31页 |
| 3.2 网络用户业务行为分析方法 | 第31-32页 |
| 3.3 网络流量分析 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于复杂网络理论和侧抑制机制的回声状态神经网络算法 | 第36-58页 |
| 4.1 复杂网络理论基础 | 第36-37页 |
| 4.2 小世界现象与无标度特征 | 第37-39页 |
| 4.2.1 小世界现象 | 第37-38页 |
| 4.2.2 无标度特征 | 第38-39页 |
| 4.2.3 小世界现象、无标度特征与神经网络 | 第39页 |
| 4.3 生物侧抑制机制(LIM) | 第39-42页 |
| 4.3.1 生物侧抑制理论基础 | 第39-41页 |
| 4.3.2 生物侧抑制与神经网络 | 第41-42页 |
| 4.4 经典的回声状态神经网络(ESNs) | 第42-46页 |
| 4.4.1 经典ESNs的基本结构及使用方法 | 第42-44页 |
| 4.4.2 经典ESNs的关键全局参数 | 第44-45页 |
| 4.4.3 经典ESNs的研究热点 | 第45-46页 |
| 4.5 基于复杂网络和侧抑制机制改进的ESNs算法(DMESN+LIM) | 第46-50页 |
| 4.5.1 DMESN+LIM的基本结构 | 第47-48页 |
| 4.5.2 小世界动态池和无标度动态池 | 第48-49页 |
| 4.5.3 DMESN+RP和DMESN+MaxInfo生成方法 | 第49-50页 |
| 4.5.4 DMESN+LIM的预测算法流程 | 第50页 |
| 4.6 DMESN+LIM的性能仿真与结果分析 | 第50-55页 |
| 4.6.1 仿真数据集分绍 | 第50-51页 |
| 4.6.2 动态池规模与预测精度 | 第51-52页 |
| 4.6.3 动态池谱半径与预测精度 | 第52页 |
| 4.6.4 短期记忆能力(STMC) | 第52-53页 |
| 4.6.5 参数鲁棒性 | 第53-54页 |
| 4.6.6 模型内部参数对DMESN+LIM的性能影响 | 第54-55页 |
| 4.7 本章小结 | 第55-58页 |
| 第五章 DMESN+Maxlnfo在未来网络当中的部署 | 第58-62页 |
| 5.1 基于DMESN+Maxlnfo的未来网络流量预测方案 | 第58-60页 |
| 5.2 本章小结 | 第60-62页 |
| 第六章 结束语 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间发表或已经录用的学术论文 | 第72页 |
