第一章 引言
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 研究现状
1.3 本文贡献
1.4 论文章节安排
第二章 理论基础
2.1 软件定义网络
2.2 时间序列分析
2.2.1 问题概述
2.2.2 在线学习定义
2.3 小波变换
2.3.1 概述
2.3.2 小波函数
2.4 神经网络
2.4.1 循环神经网络
2.4.2 LSTM神经网络
2.4.3 BPTT算法
2.4.4 梯度下降算法
2.5 本章小结
第三章 模型设计
3.1 LSTM-NW模型
3.1.1概述
3.1.2 小波变换预处理
3.1.3 LSTM网络结构
3.2 模型学习过程
3.2.1 概述
3.2.2 初始化阶段
3.2.3 在线学习阶段
3.3 CGD——适应于网络流量预测的在线学习算法
3.3.1 概述
3.3.2 CGD算法思想
3.3.3 CGD算法设计
3.4 本章小结
第四章 实验及结果分析
4.1 数据集说明
4.2实验设置
4.3 评价指标
4.4 实验过程及结果
4.4.1 小波变换相关实验
4.4.2 多种预测模型对比仿真实验
4.5 本章小节
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
攻读硕士学位期间科研成果和参与的科研项目
致谢
声明