基于神经网络的自相似业务流预测研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·课题背景 | 第9-12页 |
| ·网络流量的自相似现象 | 第9-11页 |
| ·自相似业务流产生的原因和影响 | 第11-12页 |
| ·神经网络用于自相似业务流预测的研究现状分析 | 第12-13页 |
| ·本文的研究任务及结构安排 | 第13-15页 |
| ·本文的研究任务 | 第13页 |
| ·本文的结构安排 | 第13-15页 |
| 第二章 网络业务流量的自相似性 | 第15-24页 |
| ·自相似的定义及数学描述 | 第15-18页 |
| ·严格自相似过程 | 第15-16页 |
| ·二阶自相似过程 | 第16-17页 |
| ·渐近二阶自相似过程 | 第17-18页 |
| ·自相似过程的性质 | 第18-19页 |
| ·自相似流量的生成方法 | 第19-21页 |
| ·自相似程度的检测方法 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 神经网络基本理论 | 第24-36页 |
| ·神经元模型 | 第24-26页 |
| ·神经网络结构及算法 | 第26-34页 |
| ·BP 神经网络结构和学习算法 | 第26-29页 |
| ·FIR 神经网络结构和学习算法 | 第29-32页 |
| ·两种神经网络与Wiener 滤波器的关系 | 第32-34页 |
| ·应用神经网络进行网络流量预测的理论依据 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于自适应增益系数改进的神经网络学习算法 | 第36-46页 |
| ·基于自适应增益系数改进算法的提出 | 第36-38页 |
| ·改进学习算法在BP 和FIR 神经网络中的推导 | 第38-43页 |
| ·改进学习算法在BP 神经网络中的推导 | 第38-41页 |
| ·改进学习算法在FIR 神经网络中的推导 | 第41-43页 |
| ·算法总结及复杂度分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 基于神经网络的自相似业务流预测 | 第46-61页 |
| ·预测性能指标 | 第46-47页 |
| ·流量数据的预处理 | 第47-48页 |
| ·神经网络预测模型的建立 | 第48-53页 |
| ·BP 神经网络结构选择 | 第49-50页 |
| ·FIR 神经网络结构选择 | 第50-52页 |
| ·Wiener 滤波器参数确定 | 第52-53页 |
| ·预测结果分析及比较 | 第53-59页 |
| ·改进学习算法和标准学习算法的比较 | 第53-56页 |
| ·不同预测模型的比较 | 第56-59页 |
| ·本章小结 | 第59-61页 |
| 第六章 基于预测的动态缓冲区分配 | 第61-68页 |
| ·排队系统及缓冲区分配 | 第61-62页 |
| ·仿真结果及分析 | 第62-67页 |
| ·本章小结 | 第67-68页 |
| 第七章 结论 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻硕期间取得的研究成果 | 第75-76页 |
