基于神经网络和遗传算法的Ad hoc网络故障管理模型研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 第一章 引言 | 第12-24页 |
| ·故障管理的基本概念 | 第12-14页 |
| ·网络故障问题的提出 | 第13页 |
| ·故障管理的功能描述 | 第13-14页 |
| ·AD HOC 网络故障管理的发展 | 第14页 |
| ·典型的故障管理模型 | 第14-18页 |
| ·集中式的网络故障管理模型 | 第15-16页 |
| ·基于移动代理的分布式网络故障管理模型 | 第16-17页 |
| ·基于比较的Ad hoc 网络故障管理模型 | 第17-18页 |
| ·相关关键技术介绍 | 第18-23页 |
| ·移动代理技术 | 第18-19页 |
| ·SNMP 协议 | 第19-23页 |
| ·本论文的工作 | 第23-24页 |
| 第二章 AD HOC 网络故障管理模型设计 | 第24-38页 |
| ·AD HOC 网络故障管理应用背景 | 第24-25页 |
| ·AD HOC 故障管理模型设计思想 | 第25-26页 |
| ·AD HOC 故障管理模型设计 | 第26-32页 |
| ·故障管理分层模型设计 | 第26-29页 |
| ·故障管理模型功能模块设计 | 第29-31页 |
| ·SNMP MIB 的扩展 | 第31-32页 |
| ·故障管理过程描述 | 第32-35页 |
| ·节点状态管理 | 第33页 |
| ·节点行为操作 | 第33-35页 |
| ·AD HOC 网络故障操作 | 第35-38页 |
| ·故障分级 | 第36页 |
| ·节点软故障情形 | 第36页 |
| ·节点硬件故障情形 | 第36-37页 |
| ·网络级故障情形 | 第37-38页 |
| 第三章 基于神经网络和遗传算法的故障诊断算法研究 | 第38-61页 |
| ·人工神经网络的基本原理 | 第38-40页 |
| ·神经网络的基本概念 | 第38-39页 |
| ·神经网络的特性 | 第39-40页 |
| ·BP 神经网络的基本原理 | 第40-44页 |
| ·BP 网络结构 | 第40-41页 |
| ·BP 网络算法的基本思想 | 第41-44页 |
| ·BP 算法改进——附加动量项 | 第44页 |
| ·遗传算法的基本原理 | 第44-48页 |
| ·遗传算法的基本思想 | 第44-47页 |
| ·遗传算法的特点 | 第47-48页 |
| ·神经网络与遗传算法的结合 | 第48-50页 |
| ·神经网络与遗传算法的结合方式 | 第48-50页 |
| ·GA-BP 算法的优势 | 第50页 |
| ·GA-BP 算法的设计 | 第50-61页 |
| ·BP 算法的设计 | 第51-52页 |
| ·遗传算法的设计 | 第52-59页 |
| ·GA-BP 算法设计 | 第59-61页 |
| 第四章 GA-BP 算法的训练及结果分析 | 第61-72页 |
| ·故障诊断算法的训练过程 | 第61-66页 |
| ·BP 算法训练参数选择 | 第61-62页 |
| ·遗传算法训练参数选择 | 第62-64页 |
| ·GA-BP 算法的训练程序设计 | 第64-66页 |
| ·故障数据的提取 | 第66-68页 |
| ·训练效果分析 | 第68-72页 |
| ·纯BP 与GA-BP 对比 | 第68-69页 |
| ·GA-BP 训练结果 | 第69-70页 |
| ·改进GA-BP 训练结果 | 第70-72页 |
| 第五章 故障管理的平台实现 | 第72-87页 |
| ·平台环境的搭建 | 第72-73页 |
| ·故障检测单元的实现 | 第73-78页 |
| ·NET-SNMP 软件包介绍 | 第73页 |
| ·NET-SNMP 的安装配置 | 第73-75页 |
| ·MIB 的扩展 | 第75-76页 |
| ·NET-SNMP 故障管理操作 | 第76-78页 |
| ·检测单元性能分析 | 第78-84页 |
| ·MRTG 的安装配置过程 | 第78-80页 |
| ·检测结果的图表分析 | 第80-84页 |
| ·故障诊断单元的实现 | 第84-87页 |
| 第六章 结束语 | 第87-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-91页 |
| 附录 | 第91-98页 |
| 攻硕期间取得的研究成果 | 第98-99页 |
