基于灰色神经网络模型的网络流量预测算法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-13页 |
| ·课题研究的背景和意义 | 第9-10页 |
| ·研究现状 | 第10-11页 |
| ·本文的主要研究工作 | 第11页 |
| ·论文的组织结构 | 第11-13页 |
| 第二章 网络流量的特性 | 第13-21页 |
| ·自相似性 | 第13-15页 |
| ·自相似性的概念 | 第13-14页 |
| ·自相似过程的参数估计方法 | 第14页 |
| ·自相似性对网络性能的影响 | 第14-15页 |
| ·长相关性 | 第15-18页 |
| ·长相关流量的概念 | 第15页 |
| ·长相关（LRD）序列 | 第15-16页 |
| ·长相关序列估计算法 | 第16-18页 |
| ·单分形和多分形特性 | 第18-20页 |
| ·分形与多重分形的概念 | 第18页 |
| ·分形的基本特征 | 第18-19页 |
| ·分形估计方法 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 传统的网络流量分析方法 | 第21-28页 |
| ·从实际流量中提取的若干特征与建模原则. | 第21-22页 |
| ·实际网络流量的特征 | 第21-22页 |
| ·建模网络流量的途径 | 第22页 |
| ·若干热点模型及其性能评价 | 第22-27页 |
| ·半马尔柯夫模型 | 第22-24页 |
| ·Poisson 模型 | 第24-25页 |
| ·ARMA 模型 | 第25-27页 |
| ·ON/OFF 模型 | 第27页 |
| ·本章小结 | 第27-28页 |
| 第四章 灰色理论的网络流量预测模型 | 第28-37页 |
| ·网络流量预测的影响因素 | 第28页 |
| ·理论基础 | 第28-31页 |
| ·灰色系统理论的基本内容、原理和方法 | 第28-29页 |
| ·几种不确定性方法的比较 | 第29页 |
| ·五步建模 | 第29-30页 |
| ·灰色预测模型的检验 | 第30-31页 |
| ·基于灰色理论的网络流量预测模型 | 第31-34页 |
| ·基于GM(1,1) 模型的网络流量预测 | 第31-32页 |
| ·灰色网络流量预测模型的参数确定 | 第32-33页 |
| ·灰色网络流量预测模型的适用条件 | 第33页 |
| ·GM(1,1) 模型的改进 | 第33-34页 |
| ·灰色网络流量预测模型算例 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第五章 灰色神经网络算法及其预测 | 第37-52页 |
| ·人工神经网络基本原理 | 第37-39页 |
| ·人工神经网络 | 第37页 |
| ·人工神经元模型 | 第37-38页 |
| ·神经网络的基本原理 | 第38页 |
| ·神经网络的学习过程 | 第38-39页 |
| ·神经网络的特性及其实现 | 第39页 |
| ·灰色系统与神经网络融合 | 第39-45页 |
| ·灰色理论与神经网络的关系 | 第39-40页 |
| ·灰色系统与神经网络的融合方式 | 第40-45页 |
| ·组合预测模型 | 第45-51页 |
| ·组合模型构建原理和过程 | 第45页 |
| ·组合模型构建算法 | 第45-46页 |
| ·神经网络的训练 | 第46-49页 |
| ·组合模型程序实现过程 | 第49-50页 |
| ·组合模型模拟仿真 | 第50-51页 |
| ·误差分析 | 第51页 |
| ·本章小结 | 第51-52页 |
| 第六章 基于灰色神经网络流量预测模型的路由算法. | 第52-55页 |
| ·路由基础 | 第52页 |
| ·常用的路由算法 | 第52-53页 |
| ·链路状态路由算法 | 第52-53页 |
| ·基于流量的路由选择 | 第53页 |
| ·基于流量预测的链路状态路由算法 | 第53-54页 |
| ·网络各节点流量预测算法 | 第54页 |
| ·路由选择算法描述 | 第54页 |
| ·小结 | 第54-55页 |
| 第七章 结束语 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第61页 |
