用时序遗传神经网络预测通信网络业务指标
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 1 引言 | 第9-13页 |
| ·本文课题的背景 | 第9-10页 |
| ·本文研究的主要内容 | 第10-11页 |
| ·本文安排 | 第11-13页 |
| 2 时间序列分析理论简介 | 第13-19页 |
| ·时间序列的概念 | 第13-16页 |
| ·时间序列的基本问题 | 第13-14页 |
| ·时间序列的分类 | 第14-15页 |
| ·时间序列分析 | 第15页 |
| ·时间序列的可预测性 | 第15-16页 |
| ·平稳时间序列分析 | 第16-19页 |
| ·自相关和动态性 | 第16页 |
| ·自回归模型 | 第16-17页 |
| ·滑动平均模型 | 第17页 |
| ·自回归滑动平均模型 | 第17-19页 |
| 3 人工神经网络 | 第19-35页 |
| ·神经网络的基本理论 | 第19-24页 |
| ·人工神经元 | 第19-20页 |
| ·人工神经网络的结构 | 第20-21页 |
| ·人工神经网络的特点 | 第21-22页 |
| ·人工神经网络的学习规则 | 第22-24页 |
| ·前向神经网络和BP 算法 | 第24-35页 |
| ·BP 算法 | 第25-27页 |
| ·学习过程 | 第27-29页 |
| ·BP 算法的不足和改进 | 第29-35页 |
| 4 遗传算法 | 第35-46页 |
| ·遗传算法概述 | 第35-36页 |
| ·遗传算法的基本操作 | 第36-43页 |
| ·编码 | 第36-37页 |
| ·适应度函数的确定 | 第37页 |
| ·选择操作 | 第37-39页 |
| ·交叉操作 | 第39-40页 |
| ·变异操作 | 第40-43页 |
| ·遗传算法的基本步骤 | 第43页 |
| ·遗传算法的特点 | 第43-46页 |
| 5 通信网络指标预测模型的实现 | 第46-77页 |
| ·系统中使用的数据与预测方法 | 第46-49页 |
| ·适合预测的BP-L 神经网络 | 第49-51页 |
| ·针对预测进行的优化 | 第49-50页 |
| ·初始学习精度要求 | 第50-51页 |
| ·初始权值的计算 | 第51-59页 |
| ·遗传算法优化初始权值的步骤 | 第52-54页 |
| ·交叉概率和变异概率的确定 | 第54-56页 |
| ·选择、交叉和变异算子的确定 | 第56-59页 |
| ·网络结构的确定 | 第59-60页 |
| ·隐层层数 | 第59页 |
| ·隐层神经元个数 | 第59-60页 |
| ·模型阶数的确定 | 第60-61页 |
| ·非平稳因素的消除 | 第61-65页 |
| ·异常采样值过滤 | 第65-66页 |
| ·预测和预报 | 第66-68页 |
| ·实际测试与分析 | 第68-77页 |
| ·系统实现 | 第68-70页 |
| ·实例与分析 | 第70-77页 |
| 6 结论 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 科研及发表论文情况 | 第82-84页 |
| 致谢 | 第84页 |
