基于支持向量机回归的网络流量预测
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题研究的背景和意义 | 第9-11页 |
| ·网络流量预测的现状 | 第11-12页 |
| ·网络流量预测的可行性 | 第12-13页 |
| ·本文方法 | 第13-15页 |
| 第2章 相关基础理论 | 第15-26页 |
| ·统计学习理论基础 | 第15-19页 |
| ·学习问题的表述 | 第15页 |
| ·VC 维理论 | 第15-16页 |
| ·推广性的界 | 第16-18页 |
| ·结构风险最小准则 | 第18-19页 |
| ·支持向量机 | 第19-25页 |
| ·核函数 | 第19-20页 |
| ·支持向量机分类 | 第20-23页 |
| ·支持向量机回归 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 集成学习 | 第26-31页 |
| ·集成学习的基本方法 | 第26-28页 |
| ·Bagging 算法理论分析 | 第26-27页 |
| ·Boosting 算法理论分析 | 第27-28页 |
| ·Adaboost 学习算法 | 第28-30页 |
| ·Adaboost 算法的基本原理 | 第28-30页 |
| ·Adaboost 算法的训练错误率分析 | 第30页 |
| ·本章小节 | 第30-31页 |
| 第4章 基于 LS-SVR 集成的重点学习方法 | 第31-43页 |
| ·最小二乘支持向量机回归 | 第31-33页 |
| ·基于 LS-SVR 集成的重点学习算法 | 第33-42页 |
| ·原理与方法 | 第33-35页 |
| ·样本的选取及预处理 | 第35-36页 |
| ·实验结果 | 第36-40页 |
| ·实验误差分析及对比实验 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第5章 总结与展望 | 第43-44页 |
| ·本文的主要工作 | 第43页 |
| ·进一步研究工作的展望 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 致谢 | 第48-49页 |
| 攻读学位期间取得科研成果 | 第49页 |
