| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究来源 | 第15页 |
| 1.2 研究背景及意义 | 第15页 |
| 1.3 网络流量的特性 | 第15-17页 |
| 1.3.1 自相似性和长相关性 | 第16页 |
| 1.3.2 多分形性 | 第16页 |
| 1.3.3 周期性和混沌性 | 第16-17页 |
| 1.4 预测模型的发展现状 | 第17-18页 |
| 1.5 论文所做的主要工作 | 第18页 |
| 1.6 文章的章节设置 | 第18-21页 |
| 第二章 小波神经网络预测模型概述 | 第21-31页 |
| 2.1 引言 | 第21页 |
| 2.2 BP神经网络 | 第21-24页 |
| 2.2.1 人工神经网络基础概论 | 第21-22页 |
| 2.2.2 BP神经网络 | 第22-24页 |
| 2.3 小波变换原理 | 第24-27页 |
| 2.3.1 连续小波变换 | 第25-26页 |
| 2.3.2 离散小波变换 | 第26页 |
| 2.3.3 多分辨分析 | 第26-27页 |
| 2.4 小波神经网络 | 第27-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 基于遗传算法优化的小波神经网络流量预测模型 | 第31-39页 |
| 3.1 遗传算法 | 第31-32页 |
| 3.1.1 遗传算法的基本原理 | 第31-32页 |
| 3.1.2 遗传算法的特点 | 第32页 |
| 3.2 遗传神经网络原理 | 第32-34页 |
| 3.3 基于遗传算法的小波神经网络的工作原理 | 第34-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于蚁群小波神经网络的预测模型 | 第39-51页 |
| 4.1 蚁群算法简介 | 第39-45页 |
| 4.1.1 蚁群算法的起源 | 第39页 |
| 4.1.2 人工蚁群算法的基本原理 | 第39-41页 |
| 4.1.3 蚁群算法的数学描述 | 第41-45页 |
| 4.2 蚁群算法与神经网络的融合 | 第45-46页 |
| 4.2.1 蚁群算法与BP算法相结合 | 第45-46页 |
| 4.2.2 蚁群算法优化神经网络的权值和阈值 | 第46页 |
| 4.3 基于蚁群算法优化的小波神经网络预测模型 | 第46-48页 |
| 4.3.1 利用蚁群算法优化小波神经网络 | 第46-47页 |
| 4.3.2 WACONN预测模型的流程 | 第47-48页 |
| 4.4 本章小结 | 第48-51页 |
| 第五章 实验及结果分析 | 第51-63页 |
| 5.1 WACONN网络流量预测模型 | 第51-55页 |
| 5.1.1 网络流量数据预处理 | 第51-52页 |
| 5.1.2 小波变换 | 第52-54页 |
| 5.1.3 WACONN预测模型参数的选取 | 第54-55页 |
| 5.2 实验结果与分析 | 第55-62页 |
| 5.2.1 WACONN流量预测模型 | 第55-56页 |
| 5.2.2 WGANN流量预测模型 | 第56-57页 |
| 5.2.3 WNN流量预测模型 | 第57-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第六章 论文总结与展望 | 第63-65页 |
| 6.1 论文内容总结 | 第63-64页 |
| 6.2 工作展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 作者简介 | 第71-72页 |
| 1.基本情况 | 第71页 |
| 2.教育背景 | 第71页 |
| 3.攻读硕士学位期间的研究成果 | 第71-72页 |