| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 10G EPON协议分析仪研究现状 | 第11-12页 |
| 1.3 论文研究内容与结构安排 | 第12-14页 |
| 第二章 10G EPON中的前向纠错与业务识别技术 | 第14-28页 |
| 2.1 10G EPON协议标准简介 | 第14-15页 |
| 2.2 10G EPON物理层协议 | 第15-17页 |
| 2.3 10G EPON前向纠错技术 | 第17-20页 |
| 2.3.1 有限域 | 第17-18页 |
| 2.3.2 RS(255,223)编译码原理 | 第18-20页 |
| 2.4 10G EPON业务识别技术 | 第20-27页 |
| 2.4.1 TCP/IP协议 | 第20-24页 |
| 2.4.2 业务识别技术概述 | 第24-25页 |
| 2.4.3 深度学习方法 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 10G EPON协议分析仪中前向纠错的研究 | 第28-42页 |
| 3.1 10G EPON协议分析仪的整体框架 | 第28-30页 |
| 3.2 前向纠错译码模块设计 | 第30-37页 |
| 3.2.1 66b/72b位宽转换模块 | 第31-32页 |
| 3.2.2 FIFO数据缓存模块 | 第32-33页 |
| 3.2.3 校正子计算模块 | 第33-34页 |
| 3.2.4 关键方程求解模块 | 第34-36页 |
| 3.2.5 钱搜索与错误值计算模块 | 第36-37页 |
| 3.2.6 72b/66b位宽转换模块 | 第37页 |
| 3.3 RS译码模块的仿真验证 | 第37-41页 |
| 3.3.1 仿真结果 | 第37-40页 |
| 3.3.2 综合结果 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 10G EPON协议分析仪中业务识别的研究 | 第42-55页 |
| 4.1 基于深度学习的业务识别方案 | 第42-44页 |
| 4.2 CNN算法分析 | 第44-51页 |
| 4.2.1 卷积与池化 | 第44-46页 |
| 4.2.2 激活函数 | 第46-47页 |
| 4.2.3 反向传播算法 | 第47-49页 |
| 4.2.4 基于CNN的业务识别方案选择 | 第49页 |
| 4.2.5 一维CNN的网络结构与主要参数 | 第49-51页 |
| 4.3 DAE算法分析 | 第51-54页 |
| 4.3.1 自动编码器 | 第51-53页 |
| 4.3.2 DAE算法 | 第53-54页 |
| 4.3.3 DAE算法训练过程与主要参数 | 第54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 10G EPON协议分析仪中业务识别方案的仿真验证 | 第55-73页 |
| 5.1 实验环境与实验工具 | 第55页 |
| 5.2 实验数据集 | 第55-58页 |
| 5.2.1 公开数据集 | 第55-57页 |
| 5.2.2 私有数据集 | 第57-58页 |
| 5.3 实验评价标准 | 第58页 |
| 5.4 基于CNN的业务识别方案仿真实验与结果分析 | 第58-65页 |
| 5.4.1 公开数据集实验过程及结果分析 | 第58-61页 |
| 5.4.2 私有数据集实验过程及结果分析 | 第61-65页 |
| 5.5 基于DAE的业务识别方案仿真实验与结果分析 | 第65-72页 |
| 5.5.1 公开数据集实验过程及结果分析 | 第65-68页 |
| 5.5.2 私有数据集实验过程及结果分析 | 第68-72页 |
| 5.6 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 论文工作总结 | 第73页 |
| 6.2 后续工作展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
