基于计算智能的网格资源监测预报系统
内容提要 | 第1-7页 |
第1章 绪论 | 第7-23页 |
·网格概述 | 第7-10页 |
·网格体系结构 | 第10-16页 |
·Web 服务 | 第11-12页 |
·OGSA | 第12页 |
·WSRF | 第12-14页 |
·构建网格的关键技术 | 第14-16页 |
·监测与预报概述 | 第16-20页 |
·典型监测系统 | 第16-17页 |
·典型预报系统 | 第17-18页 |
·典型监测技术 | 第18-19页 |
·典型预报方法 | 第19-20页 |
·网格资源监测与多步预报的问题表述 | 第20-22页 |
·研究内容与本文工作 | 第22-23页 |
第2章 网格资源监测预报系统的设计与实现 | 第23-36页 |
·设计原则 | 第23-24页 |
·系统结构 | 第24-25页 |
·系统工作流程 | 第25-27页 |
·资源信息管理 | 第27-33页 |
·资源信息管理的基本功能 | 第27-28页 |
·资源信息管理的实现 | 第28-31页 |
·资源信息发布接口 | 第31-33页 |
·性能测试 | 第33-34页 |
·系统评价 | 第34-35页 |
·本章小结 | 第35-36页 |
第3章 基于人工神经网络的资源多步预报模型 | 第36-65页 |
·人工神经网络概述 | 第36-41页 |
·人工神经网络的基本原理 | 第37-40页 |
·人工神经网络在资源预报领域的应用现状 | 第40-41页 |
·基于BP 神经网络的多步预报模型 | 第41-45页 |
·BP 神经网络结构 | 第41-42页 |
·BP 算法的步骤 | 第42-43页 |
·BP 神经网络的实现 | 第43-45页 |
·基于RBF 神经网络的多步预报模型 | 第45-50页 |
·RBF 神经网络结构 | 第45-47页 |
·RBF 神经网络的参数确定方法 | 第47-48页 |
·RBF 算法的步骤 | 第48页 |
·RBF 神经网络的实现 | 第48-50页 |
·基于广义混合神经网络的多步预报模型 | 第50-55页 |
·广义混合神经网络结构 | 第50-52页 |
·广义混合算法的步骤 | 第52-53页 |
·广义混合神经网络的实现 | 第53-55页 |
·实验验证 | 第55-64页 |
·实验准备 | 第55-58页 |
·实验结果及分析(网络带宽) | 第58-61页 |
·实验结果及分析(主机负载) | 第61-64页 |
·本章小结 | 第64-65页 |
第4章 基于支持向量回归的资源多步预报模型 | 第65-79页 |
·支持向量回归概述 | 第65-66页 |
·Epsilon-支持向量回归预报模型 | 第66-68页 |
·Nu-支持向量回归预报模型 | 第68-69页 |
·核函数与QP 问题求解 | 第69-70页 |
·实验验证 | 第70-78页 |
·实验准备 | 第70-71页 |
·实验结果及分析(网络带宽) | 第71-75页 |
·实验结果及分析(主机负载) | 第75-78页 |
·本章小结 | 第78-79页 |
第5章 基于计算智能的预报模型优化 | 第79-110页 |
·基于两阶段搜索的模型优化 | 第79-83页 |
·优化问题表述 | 第79-80页 |
·两阶段搜索策略 | 第80-81页 |
·实验验证 | 第81-83页 |
·基于进化计算的模型优化 | 第83-91页 |
·优化问题表述 | 第84-85页 |
·实数遗传算法优化模型 | 第85-86页 |
·实数粒子群算法优化模型 | 第86页 |
·实验验证 | 第86-91页 |
·并行混合粒子群算法优化Nu-SVR 模型 | 第91-109页 |
·优化问题表述 | 第91页 |
·并行混合粒子群优化方法 | 第91-95页 |
·基准数据实验 | 第95-102页 |
·真实数据实验 | 第102-109页 |
·本章小结 | 第109-110页 |
第6章 结论与进一步工作 | 第110-112页 |
·结论 | 第110-111页 |
·进一步工作 | 第111-112页 |
参考文献 | 第112-119页 |
攻读博士学位期间发表的学术论文及取得的科研成果 | 第119-121页 |
致谢 | 第121-122页 |
摘要 | 第122-125页 |
Abstract | 第125-128页 |