一、混沌神经网络应用于ATM路由算法的研究（论文文献综述）
秦久人[1]（2021）在《移动流媒体多路传输关键技术研究》文中研究指明近年来,随着以5G为代表的移动互联通信技术的快速发展,以及智能手机、便携式电脑、可穿戴设备等硬件的快速普及,移动流媒体业务得到了长足发展。以网络课堂/会议、视频通话、即时游戏等为代表的移动流媒体应用,一方面极大的方便了人们的工作、生活,丰富了人们的娱乐方式,另一方面也带来了海量的即时数据传输需求。在移动网络环境下,由于用户移动性、无线信道干扰等因素的影响,传输层面临传输路径稳定性差,丢包率高等问题。传统以TCP为代表的单路径传输协议,难以适应复杂、多变的移动网络环境,传输速率受限于单一网络性能,且传输连接稳定性差,难以满足移动流媒体业务的传输需求。为了解决上述问题,以多路传输控制协议（Multipath Transmission Control Protocol,MPTCP）为代表的多路传输协议得到了国内外专家学者的广泛关注。MPTCP能够利用通信终端的多个网络接口（Wi-Fi,4G/5G等）在一个传输连接中建立多条子流。相较于单路径,多条子流并行传输能够有效的利用不同网络中的空闲带宽提高系统吞吐量,降低传输时延。尽管拥有上述优势,在面向移动流媒体业务时,MPTCP仍存在如下问题:（1）调度策略低效。MPTCP采用基于最短往返时延的数据分发策略,并在数据包传输失败后进行无差别的重传,在异构环境下,容易导致数据包乱序,增加传输延迟;（2）拥塞控制僵化。MPTCP采用固定的窗口调整策略,无法针对多样的输入流进行调整,导致传输效率低下;（3）网络感知匮乏。MPTCP难以感知网络环境对传输的影响,导致传输决策盲目、低效;（4）能耗管理缺失。由于移动终端的能量受限,而MPTCP缺乏能量管理机制,导致移动终端使用寿命下降,影响用户使用体验。因此,本文重点从动态数据调度、智能拥塞控制、网络环境感知、能量效率平衡等方面进行突破,并取得了如下成果:（1）针对调度策略低效问题,提出了部分可靠的多路虚拟队列调度机制。首先构建了虚拟队列模型,打破传统发送窗口约束,最大程度上保证数据包的按序到达。而后设计了面向消息的部分可靠重传算法,避免了无效重传。仿真实验结果显示,在不同网络参数下,所提方案能有效地减少数据包乱序概率,降低数据包交付时延。（2）针对拥塞控制僵化问题,设计了输入特征分析的多路智能拥塞控制机制。首先,在频域上对数据流的特征进行提取。在此基础上,利用增强学习理论对多路拥塞控制进行建模,根据网络环境及输入流动态调整控制策略。仿真实验结果表明,所提方案能够以较小的时延代价获得较高的吞吐量提升,性能优于同期解决方案。（3）针对网络感知匮乏的问题,提出了子流耦合感知的多路自适应传输方案。首先,通过提取子流耦合特征与拥塞特征,从空间与时间上对网络环境对传输的影响进行量化。而后,基于深度Q网络方法,对多路传输策略进行训练。仿真结果显示,在多种传输场景下,所提方案都能获得优于对比方案的系统吞吐量与时延。（4）针对能耗管理缺失问题,设计了能效均衡的多路传输优化算法。首先,通过设计传输效用模型,对影响传输性能的带宽、时延、能耗等问题进行综合分析。而后,通过Q-Learning方法,在兼顾传输效率的基础上对传输能耗进行优化。仿真实验结果表明,所提算法能够在保证传输吞吐量与时延性能相似的前提下,实现传输能耗的降低。本文面向移动网络环境下的流媒体多路传输,对调度、拥塞、网络、能耗等问题进行了分析。并利用统计分析、数学建模、人工智能、实验测试等方法对相关问题进行了解决。本文的研究成果能够为我国未来移动流体业务的发展提供一定的技术支撑。
李璐[2]（2020）在《多分布式认知网络中智能策略研究》文中进行了进一步梳理近年来,无线网络用户的迅速增加造成了频谱资源短缺,认知无线电作为一种智能无线通信技术被广泛应用各种无线网络场景中。但是在相同地理位置上共存的多个认知无线电网络不可避免的需要共享相同的频谱资源,但是每种网络需求存在差异,也可能会采用不同的通信标准。如果每个认知无线电网络不经协调的去使用感知到的空白频谱,必然导致相互干扰,降低了认知无线电网络的网络性能。因此为了高效的利用空白频谱资源,需要解决的一个关键问题是如何合理的进行资源管理和配置。本文在多分布式认知无线网络的共存的情况下,对无线资源的管理与分配进行了研究。首先,由于群智能算法已经在认知无线电网络资源分配中取得了良好的效果,因此本文提出了一种改进的自适应t分布变异人工蜂群算法,该算法在初始阶段通过混沌搜索产生初始种群,并在搜索阶段引入了自适应t分布变异策略,侦察蜂阶段充分利用当前最优解,同时利用多种形式的标准测试函数进行了有效性验证。其次本文将同一地理区域共存的多个分布式认知无线电网络之间的相互关系采用图论进行建模,通过传输功率控制和信道资源分配进行资源管理与配置,并通过提出的的自适应t分布人工蜂群算法对提出的共存模型进行求解,最终解决了当多个分布式认知无线电网络在共享授权频段时,认知无线电网络间的共存问题以及单个网络内部的共存问题。从仿真结果得到的结果可以看出,本文所提的算法具有较高的吞吐量以及良好的适应性。综上所述,本文提出的多分布式认知网络资源配置策略能够智能有序的利用有限的的频谱资源,对今进行研究更加完善的资源管理和配置有着重要意义。
范星冉[3]（2019）在《基于片上网络的神经网络加速器研究》文中认为芯片技术的飞速发展使得在单一芯片内集成多个处理单元成为可能,片上网络（Network-on-Chip,No C）被认为是现代多核系统的互联通信架构,它在通信效率、并行性和功率效率等方面优于传统总线。神经网络已被广泛应用于人工智能应用当中,例如图像处理,语音识别,机器翻译等,当代的人工神经网络包括数十层和数百万个参数,神经网络愈加复杂,计算量急剧上升,使用常规的传统计算机会花费大量时间。为了解决这些问题,人们通过改进通用芯片的结构,研发专用的神经网络加速器,也称为人工智能芯片来加速神经网络。由于神经网络的神经元之间不仅存在着复杂的互连而且还有密集的计算和通信,现代神经网络加速器多为由大量的处理单元构成,它们之间的通信架构采用了片上网络,来实现神经网络之间的数据传输。因此,研究片上网络的各个方面成为优化基于片上网络的神经网络加速器的重要方向。研究基于片上网络的神经网络加速器的过程中,本文主要从片上网络的映射、拓扑结构来优化基于片上网络的神经网络加速器。重点研究了基于三维片上网络的映射算法,提出了将混合混沌大爆炸算法来解决三维片上网络映射问题,并与经典的遗传算法和粒子群算法做对比,无论是在经典的任务图映射下还是神经网络拓扑映射下,该算法都能够有更快的收敛速度,并且降低功耗。在此基础上,本文提出将神经网络加速器应用于3D Mesh No C拓扑结构上,与基于2D Mesh No C拓扑结构的神经网络加速器相比,能够有更低的功耗,同时使用了混合混沌大爆炸映射算法能够使神经网络映射的功耗进一步降低。
段晓萌[4]（2019）在《智慧协同网络基于流量预测与时间戳的缓存机制设计与实现》文中认为随着互联网应用的多样化发展,网络流量增速迅猛,随即而来的网络资源利用率低下、用户访问延迟增大等问题已成为网络可持续发展的阻碍。因此提出以信息为中心的智慧协同网络研究,部署全网无处不在的缓存机制,使网络中的内容路由器能够快速响应用户的请求,减少不必要的访问开销,充分利用网络资源,降低数据内容获取时延,提高网络服务质量。本文首先对互联网现状以及流量激增所带来的一系列制约网络发展的因素进行分析,总结了当前TCP/IP网络架构中传统缓存机制存在的弊端,突出以信息为中心传输机制下缓存研究的必要性。并对国内外基于以信息为中心传输机制的网络架构与缓存机制的研究现状进行阐述,重点介绍了智慧协同网络架构及其通信机制。总结提出了智慧协同网络架构下的缓存机制设计方案,旨在解决当前研究中存在的忽略网络拓扑架构、不能根据网络动态变化进行自适应性调节的缓存问题。其次,根据上述分析进行的缓存机制设计主要为四个功能模块部署:采集模块的主要功能是对网络流量数据进行采集处理并发送至预测模块;预测模块使用基于RNN（Recurrent Neural Network）神经网络的预测算法进行未来网络流量的预测,计算流量变化率,使得缓存机制能够动态适应网络变化;资源控制模块一方面需要根据内容路由器在网络拓扑中的位置信息进行缓存空间的初始化分配,并通过预测模块得出的网络流量变化率进行缓存空间大小的调整。另一方面需要通过数据内容需求量与节点的位置信息,综合计算得到数据内容的缓存有效时间,进行时间戳标记;缓存模块需要根据资源控制模块所作出的缓存决策进行缓存空间大小的初始化与动态调整,并按照时间戳标记管理缓存内容。最后,本文应对设计方案进行了各功能模块的部署与实现。首先通过真实拓扑下的网络流量数据集对基于RNN的预测算法进行有效性验证。经过预测模型训练优化得出的测试结果可知,该模型能够较为准确地预测网络流量变化。其次,将预测算法部署到预测模块中,进行整体缓存机制性能评估。通过仿真结果可知,基于网络流量预测与时间戳标记的缓存机制相较于已有缓存机制而言,能够充分考虑网络拓扑架构影响并动态适应网络变化,进而提供更高的缓存命中率,减少不必要的缓存替换开销,降低数据内容在缓存中的检索时间,提升用户请求响应速率,增加网络资源的利用率,进一步改善了网络服务质量。
李福敏[5]（2019）在《基于ZigBee技术的优化神经网络室内定位算法研究》文中指出信息时代的到来推动了物联网技术与高频无线技术在紧密结合中蓬勃发展,人们对定位服务的需求与日俱增,特别是在复杂的室内环境常需要获取移动终端的位置信息。因此,如何实现低成本、高精度的室内定位,具有非常重要的现实意义。而作为无线传感器网络（WSN）技术之一的ZigBee技术以其低成本、低功耗、可靠性高等优势,在室内定位中具有极高的应用价值。本文阐述了室内定位技术的研究背景和现状,对ZigBee技术进行介绍,并深入研究典型的WSN定位算法的优缺点,通过对比分析选择采用基于接收信号强度值（RSSI）的定位算法。但传统的基于RSSI定位算法是将获取的RSSI值依据无线信号传播模型来获取收、发节点之间的距离,然后对所得的距离再采用位置距离算法来估算位置。而该模型中的参数易受环境影响,且其值一般通过拟合或者直接根据经验得出,这势必造成定位不准确。为提高定位精度,引入具有强大的非线性拟合能力和容错能力的广义回归神经网络（GRNN）来构建定位模型,以未知节点和参考节点之间的RSSI值作为网络的输入,未知节点的位置坐标作为输出来拟合网络模型。同时采用了剔除处理和卡尔曼滤波处理对采集的RSSI值进行预处理,来削弱环境因素对信号的扰动。为避免GRNN参数选取的随意性及人为因素的干扰,采用群智能算法—混沌量子粒子群（CQPSO）来优化网络的光滑参数,选择定位节点的预测坐标与实际坐标的均方根误差来构造适应度函数,通过粒子的量子特性增强全局寻优能力,并结合混沌特性避免了种群陷入局部最优且增加了种群的多样性,来进行有限次的迭代寻优,最终搜索到最小适应度函数值对应的光滑参数,以建立最优的网络定位模型实现对未知节点坐标的预测。在MATLAB平台上,将基于CQPSO-GRNN模型的定位算法与未优化的GRNN定位算法进行仿真对比,其结果显示改进的定位算法具有更高的定位精度,提高了GRNN回归预测效果以及模型的泛化能力。课题最后,选择美国TI公司开发的CC2430无线定位芯片,对定位系统的软、硬件进行设计,为更形象的显示定位结果,利用QT编程软件开发简单的上位机监控界面。选择教学楼的工作间作为实验环境对改进的定位算法进行测试,结果表明:可将定位误差控制在1m以内,基本满足复杂室内环境对定位的要求。
谢元芒[6]（2019）在《面向城市交通的智能图像处理关键技术研究》文中进行了进一步梳理物联网作为世界信息产业发展的第三次浪潮,未来发展潜力巨大。物联网是支撑城市智能交通的重要技术。在面向城市交通的物联网环境下,通过改善基础设施、实施城市交通专用道、快速城市交通、轨道交通等多模式,应用先进信息技术,城市交通得到了快速发展,对城市居民出行发挥了重要作用。面向智慧城市交通物联网的图像数据是大数据,基于该大数据,从系统工程的视角出发,在分析交通规划的影响因素及城市交通能力及运行现状调查分析的基础上,可以建立城市智慧化的交通调度系统,对智慧城市的建设具有十分重要的意义。鉴于此,我们在分析了现有的图像去噪、压缩编码以及图像合成方法的基础上,研究了对应的新方法。本文的主要创新工作如下。提出了一种压缩感知图像采集新方法和智能去噪的方法。基于压缩感知理论,在随机间距稀疏矩阵的基础上,设计了链式数据采集方案,设计一种随机间距稀疏循环矩阵,从而大量减少了网络中的数据传输量;设计了一种球坐标域内的小波收缩去噪算法,该算法中设计了一种新的收缩函数,能够更快地趋近真实的小波系数值;同时设计了一种小波域模积,它能够更精准地映射相关的小波系数,起到去噪更佳的效果。提出了一种基于自适应传输的图像智能编码的方法。为了实现图像自适应传输的目标,我们分析了 AODV路由协议和其采用的路由判据的缺陷,设计了一种路由判据,综合考虑了节点负载度、链路的闲忙度和ETX三者对图像自适应传输的影响,并以此为基础,设计了一种路由协议EAODV;在传输过程中,我们提出了一种图像编码方法,该方法在编码时,能够更好地预测其它等待编码的系数,同时采用新的编码策略实现对高频部分的处理,显着地提高了相应的压缩比。设计的压缩感知图像智能编码新方法避免了传统算法的重复搜索匹配问题,且能够达到较大的压缩比。提出了一种基于模糊神经网络学习策略的图像合成方法。该方法利用了神经网络的学习能力强等特性,同时利用了模糊理论具有的对非精确数据包容、可以利用专家知识等优点,对要合成的图像进行聚类、模糊化处理,从而使每一个像素都获得一个隶属度矢量,最终实现图像的像素级合成。在图像合成时,我们用相关性原理缩小了搜索范围避免了穷尽式搜索,同时引入梯度结构信息,利用直方图的相似性度量来自适应地确定图像块的尺寸,能够保证合成图像的结构性和随机性。该方法可应用于城市交通中的多源图像合成,具有合成速度快、效果好、满足实时性要求等优势。通过大量的实验测试,结果表明,我们提出的上述方法非常适用于面向城市交通的物联网应用环境,具有很强的理论意义和实用价值。
周晓[7]（2017）在《基于优化神经网络的混合网络流量预测模型仿真与实现》文中研究指明现代社会网络在信息化社会中具有越来越重要的作用。通过互联网可以进行高效率的通信与沟通,这些技术的使用与推广提高了人们的生活质量,同时也促使了诸如数学、信息学等科学领域的进一步发展。伴随越来越多基站建设,网络网点的提供,网络规模与日俱增,这同时促使网络环境变得更加复杂。对于网络流量的模型、特征、可靠性等研究有着越来越高的需求,研究结果将有益于网络工程、网络安全、网络服务等应用领域的各类问题。本文针对网络流量特性基于优化人工神经网络的混合模型方法对网络流量进行了分析。主要工作及贡献可以总结如下:a)对网络流量数据集进行了研究,通过分析数据的混沌特性,验证了网络流量的混沌特性。b)对时间序列预测方法进行了调研,研究了传统时间序列分析、混沌时间序列分析的方法,并重点研究了自回归滑动平均模型。该模型在网络流量预测中存在一定缺陷,需要可靠性、精确性更高的预测模型。c)通过对人工神经网络、小波变换理论和量子遗传算法的研究,提出一种基于量子遗传算法高效的全局搜索能力之上的神经网络优化方法。该方法结合了小波变换对数据的处理,保留了人工神经网络良好的鲁棒性和非线性处理能力,基于优化神经网络对混合网络流量进行预测,该预测模型被命名为量子遗传人工神经网络模型。d)运用量子遗传人工神经网络模型对网络流量数据进行了单步、多步预测并对预测结果进行了评估。通过与自回归滑动平均模型预测结果比较,验证了新模型在自适应性和准确率方面的优越性。综上所述,本文所提出的量子遗传人工神经网络模型能够更加准确的对网络流量进行预测,预测结果在网络安全领域可用于监测网络异常,在网络服务领域可用于提高服务质量,在网络工程领域可用于研究网络行为以及更有效的网络优化方案。
满振祯[8]（2017）在《改进的伊藤算法及其在网络路由中的优化研究》文中研究表明随着“互联网+”的提出,和Internet应用和通信技术的飞速发展,让用户对互联网的选择空间更大更多、使互联网用户数量逐日增长,因此如何较好地维持网络效率和服务质量便逐渐的引起了人们的关注。网络路由问题属于NP问题,由于传统优化算法复杂度高,效率低,寻优时间长,已经不能满足人们的要求,因此改进现有智能算法或开发新型算法对研究路由问题具有深远的意义。本文从路由优化入手,以提高网络资源消耗和服务质量为导向,借助改进伊藤算法对其进行优化。鉴于现有算法存在收敛速度过慢、寻优时间长和易陷入局部最优解的不足,本文对伊藤算法进行了改进,引入交叉思想和混沌运动。针对不同的指标约束构建网络路由模型,将改进算法用于相应模型中求解最小费用路由,通过仿真验证其有效性与稳定性。本文的主要研究工作如下:（1）在查阅大量国内外文献的基础上,分析了伊藤算法和路由问题的研究现状与意义,然后概述路由模型及其算法,分析基本伊藤算法存在的一些局限性。根据伊藤分子运动的特性,改进设计了温度函数,漂移和波动算子的路径权重更新规则。（2）研究网络路由时,根据不同指标约束构建路由目标函数模型,将改进算法与模型进行有效结合用于求解最小费用路由问题,通过与其他智能算法进行仿真对比,验证本文算法在求解路由问题中的快速收敛能力。（3）将交叉思想引入算法,拆分群体粒子为两个子群进行交叉达到信息交换的目的。采用领域搜索2-opt算子,反转算子和插入算子以及幂函数载波混沌优化,改善算法初期搜索的盲目性和后期解空间的多样性,求解满足QoS指标约束的最小费用路由,通过仿真,对比验证了算法的稳定性和全局寻优能力,提高了求解路由优化问题的效率。
张庆亮[9]（2016）在《基于混沌神经网络的QoS组播路由研究》文中提出组播是指一个信息源点传输到多个目标节点的的信息传输方式,QoS（Quality of Sevice）称为服务质量,是一种网络安全机制,用来解决网络延迟和阻塞等问题,是指网络提供更高优先服务的一种能力。随着新型网络业务大量涌现,带服务质量保证的组播技术成为研究热点。QoS组播路由问题又称Steiner树问题,用来使组播树成本最小化,已被证明是NP完全问题。选择合适的QoS组播路由算法对于高质量的组播通讯具有重要意义,混沌神经网络算法便是求解此类问题的一种有效方法。以往的混沌神经网络求解QoS组播路由问题多侧重于改进神经网络结构提升算法性能,而忽略了对能量函数的改进,无法对输出矩阵的“行”“列”项进行严格约束。本文在传统能量函数的基础上添加了两个新的约束项,构造出了新的能量函数,保证了闭合路径的有效性。将改进能量函数与暂态混沌神经网络相结合求解QoS组播路由问题。仿真结果表明,改进的算法能够有效提高网络收敛到最优解的概率和速度,且同时适用于复杂程度不同的组播网络。噪声混沌神经网络是在暂态混沌神经网络的基础上添加指数衰减的噪声项得到的,具有随机模拟退火特性。本文将改进的能量函数与噪声混沌神经网络相结合求解QoS组播路由问题。仿真结果显示,噪声混沌神经网络可以使有效解率和最优解率上升,但对于不同原因引起的优化效果不佳,随机噪声的改善作用也有所不同。同时,初始噪声幅值与噪声模拟退火速度必须控制在适当的范围内,否则会引起优化效果下降。迟滞噪声混沌神经网络既能够表现出随机混沌模拟退火又能表现出迟滞动力,迟滞动力有助于神经网络跳出局部极值,而在此基础上得到的基于噪声调节因子的迟滞噪声混沌神经网络可实现对随机噪声水平的控制。本文将迟滞噪声混沌神经网络、基于噪声调节因子的迟滞噪声混沌神经网络和改进的能量函数应用于QoS组播路由问题。仿真结果表明,高噪声条件下,逆时迟滞噪声混沌神经网络的优化结果优于噪声混沌神经网络,而在低噪声条件下,应采用顺时迟滞噪声混沌神经网络改善优化结果;基于噪声调节因子的迟滞噪声混沌神经网络拥有更强的迟滞动态,无论噪声水平高低,都能通过控制噪声调节因子获得优于迟滞噪声混沌神经网络和噪声混沌神经网络的优化效果。
王厚天[10]（2014）在《基于QoS保证的卫星通信系统关键技术研究》文中进行了进一步梳理卫星通信系统具有覆盖范围广、受地理环境因素影响小等特点,从而使得卫星通信成为当前通信领域中迅速发展的研究方向和现代信息交换强有力的手段之一。目前,下一代卫星通信网络正朝着更高速率、更大带宽的方向发展,其与地面通信网络联合组成全球无缝覆盖的信息交换网络。随着空间通信技术的飞速发展和业务需求的急速增长,有限的无线资源与多媒体业务不断提高的QoS要求之间的矛盾日益尖锐,使得设计可以支持高速、高质量多媒体传输的资源管理策略成为当前空间通信领域关注的重点。同时,卫星组网技术直接关系到卫星网络能否实现全球覆盖以及卫星网络的可扩展性问题,是卫星通信系统研究中的关键问题。相应的,路由协议、链路切换等都要针对卫星网络的特点重新设计,以星上路由交换为核心的新型卫星通信系统是空间通信领域的另一个研究重点。论文研究基于QoS保证的卫星通信系统若干关键技术,主要针对低轨道卫星星座网络中的路由算法和宽带高轨道卫星网络中的资源管理相关算法展开深入研究。本论文的主要创新点和研究工作如下：（1）基于跨层蚁群优化的低轨道卫星网络路由策略为了增强LEO卫星网络的鲁棒性和实现负载平衡,提出一种基于跨层蚁群优化的LEO卫星网络负载均衡路由算法CAL-LSN。该算法在进行路由决策时能够将物理层的信道状态信息考虑在内。为了实现负载平衡,算法CAL-LSN建立了一种多目标优化模型,利用蚁群算法对该模型进行求解。同时,本文对蚁群算法信息素挥发系数的取值进行了推导以便提高算法的鲁棒性,同时仿真研究了算法CAL-LSN的性能。研究结果表明算法CAL-LSN在有效实现负载平衡的同时可以提高接收端吞吐量,并且能够确保系统传输时延和时延抖动满足实时业务传输的需要。（2）基于改进蚁群系统的低轨道卫星网络多径路由策略本文针对LEO卫星网络的特点,提出一种基于改进蚁群系统的多径路由算法MPRA-AC,算法建立了从源用户到目的用户的多条路径。为了提高网络的鲁棒性,本文所建立的多目标优化模型旨在最小化主用路径和备用路径的公共节点数。同时,结合低轨卫星网络的特点,本文对原始蚁群算法做了改进,并在此基础上通过构建仿真平台来衡量算法MPRA-AC的性能。仿真结果表明,MPRA-AC算法能够更加快速的发现可行较优路径。和LEO卫星网络的DSR-LSN算法（低轨道卫星网络的动态源路由算法）相比,MPRA-AC不仅提高了网络链路利用率,同时也提高了卫星网络中数据包的投递率,提高率约为7.9%。（3）基于跨层混沌预测的宽带多媒体卫星网络资源请求策略本文提出一种基于跨层混沌预测的资源请求算法CBRA-CPM。该算法目的在于解决用户接入卫星网络的带宽请求问题,并且通过引入跨层架构以便能够对信道状态进行感知。在算法CBRA-CPM的设计过程中,卫星终端能够根据信道状态改变其向信关站申请带宽资源的数量,同时结合网络流量的自相似特性,算法引入混沌预测模型对流量进行预测。通过采用OPNET和MATLAB联合仿真的方法,算法仿真平台被构建。通过对本文所提算法和DAMA-CPM算法（基于混沌预测的按需分配多址接入算法）进行性能比较,本文所提算法在降低系统端到端时延的基础上提高了接收端的系统吞吐量。（4）基于OPNET的宽带多媒体卫星通信标准半实物仿真机制研究半实物仿真是一种将硬件测试和软件评估相结合的仿真方法,通过将实物接入系统从而尽可能取代虚拟模型,使仿真结果更接近实际情况。因此,采用半实物仿真对宽带多媒体卫星通信系统进行建模分析具有重要的研究价值。本文在基于对半实物仿真机制深入调研的基础上,进行DVB-RCS通信体制的研究,构建基于半实物的DVB-RCS通信体制仿真平台,解析影响系统的各种因素,并最终开发出应用于宽带多媒体卫星通信体制的仿真模型,建立相对复杂的半实物测试环境。
二、混沌神经网络应用于ATM路由算法的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、混沌神经网络应用于ATM路由算法的研究（论文提纲范文）
（1）移动流媒体多路传输关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 本文主要缩略语 |
| 第一章 绪论 |
| 1.1 论文研究背景 |
| 1.2 论文选题依据 |
| 1.3 论文主要研究内容 |
| 1.4 论文主要贡献与创新 |
| 1.5 论文组织结构 |
| 第二章 相关工作综述 |
| 2.1 移动网络下的流媒体业务 |
| 2.2 移动流媒体单路传输技术 |
| 2.3 移动流媒体多路传输技术 |
| 2.4 本章小结 |
| 第三章 部分可靠的多路虚拟队列调度机制 |
| 3.1 本章引言 |
| 3.2 延迟预测的多路虚拟队列分发 |
| 3.2.1 传输丢包分析模型 |
| 3.2.2 基于混沌理论的到达预测 |
| 3.2.3 多路虚拟队列分发 |
| 3.3 面向消息的部分可靠重传算法 |
| 3.3.1 MPTCP部分可靠协议扩展 |
| 3.3.2 面向消息的重传算法 |
| 3.4 仿真实验 |
| 3.4.1 FD-MVQS性能验证 |
| 3.4.2 MO-PR性能验证 |
| 3.5 本章小结 |
| 第四章 输入特征分析的多路智能拥塞控制机制 |
| 4.1 本章引言 |
| 4.2 系统设计 |
| 4.3 RL-PSD算法 |
| 4.3.1 输入流功率谱密度分析 |
| 4.3.2 多路传输状态分析 |
| 4.3.3 拥塞控制动作定义 |
| 4.3.4 基于传输效用函数的回报计算 |
| 4.3.5 双层协作的Q-表生成与维护 |
| 4.4 性能分析 |
| 4.4.1 实验场景设计 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第五章 子流耦合感知的多路自适应传输方案 |
| 5.1 本章引言 |
| 5.2 系统设计 |
| 5.3 基于小波去噪的子流耦合识别 |
| 5.3.1 柔性阈值的小波去噪 |
| 5.3.2 子流耦合特征识别 |
| 5.4 基于DQN的多路传输控制 |
| 5.4.1 多路DQN传输模型 |
| 5.4.2 多路DQN拥塞控制算法 |
| 5.5 性能分析 |
| 5.5.1 实验场景设计 |
| 5.5.2 实验结果分析 |
| 5.6 本章小结 |
| 第六章 能效均衡的多路传输优化算法 |
| 6.1 本章引言 |
| 6.2 系统设计 |
| 6.3 QE-MCC算法 |
| 6.3.1 传输系统状态定义 |
| 6.3.2 能量感知的传输能效模型 |
| 6.3.3 基于Q-Learning的多路拥塞控制 |
| 6.4 性能分析 |
| 6.4.1 实验场景设计 |
| 6.4.2 实验结果分析 |
| 6.5 本章小结 |
| 第七章 结语 |
| 7.1 论文总结 |
| 7.2 未来的研究工作 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术成果 |
| 攻读博士学位期间参与的科研项目 |
（2）多分布式认知网络中智能策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 群智能算法在认知无线电网络中的应用 |
| 1.3 主要研究内容及论文结构安排 |
| 第二章 相关技术 |
| 2.1 引言 |
| 2.2 认知无线电 |
| 2.2.1 认知无线电定义 |
| 2.2.2 认知无线电关键技术 |
| 2.3 认知无线电网络 |
| 2.3.1 认知无线电网络定义 |
| 2.3.2 认知无线电网络分类 |
| 2.4 认知无线电网络资源分配模型 |
| 2.4.1 图论模型 |
| 2.4.2 博弈论模型 |
| 2.4.3 定价拍卖模型 |
| 2.4.4 干扰温度模型 |
| 2.5 本章小结 |
| 第三章 自适应t分布变异人工蜂群算法 |
| 3.1 引言 |
| 3.2 标准人工蜂群算法 |
| 3.3 自适应t分布变异人工蜂群算法 |
| 3.3.1 混沌搜索产生初始解 |
| 3.3.2 引领蜂和跟随蜂搜索更新步长的自适应调整 |
| 3.3.3 侦察蜂产生新的搜索解 |
| 3.3.4 改进后的人工蜂群算法流程图 |
| 3.4 算法的有效性测试 |
| 3.5 本章小结 |
| 第四章 基于改进人工蜂群算法的多认知网络资源分配策略 |
| 4.1 引言 |
| 4.2 图论的数学基础 |
| 4.3 多分布式认知无线电网络共存模型 |
| 4.3.1 系统描述 |
| 4.3.2 系统模型 |
| 4.4 JCPC-ATMABC算法原理 |
| 4.4.1 问题定义 |
| 4.4.2 算法流程 |
| 4.5 仿真结果及分析 |
| 4.6 本章小结 |
| 第五章 总结 |
| 5.1 论文总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（3）基于片上网络的神经网络加速器研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 二维片上网络的产生 |
| 1.1.2 三维片上网络的产生 |
| 1.1.3 神经网络加速器的产生 |
| 1.1.4 基于NoC的神经网络加速器的产生 |
| 1.2 国内外研究现状 |
| 1.2.1 NoC研究现状 |
| 1.2.2 神经网络加速器研究现状 |
| 1.2.3 基于NoC的神经网络加速器研究现状 |
| 1.3 课题研究目标和意义 |
| 1.4 研究内容与组织结构 |
| 第二章 基于NoC设计的神经网络加速器的相关技术研究 |
| 2.1 NoC拓扑结构 |
| 2.1.1 NoC拓扑结构介绍 |
| 2.1.2 基于NoC的神经网络加速器的拓扑结构 |
| 2.2 NoC映射算法 |
| 2.2.1 3DNoC映射定义 |
| 2.2.2 3DNoC映射算法功耗模型 |
| 2.2.3 3DNoC映射算法实例 |
| 2.2.4 基于NoC的神经网络加速器映射算法 |
| 2.3 NoC仿真平台 |
| 2.4 基于NoC的神经网络加速器仿真器 |
| 2.4.1 NN-Noxim仿真器 |
| 2.4.2 CNN-Noxim仿真器 |
| 2.5 其它神经网络仿真器 |
| 2.6 本章小结 |
| 第三章 基于混合混沌大爆炸算法的3DNoC映射算法研究 |
| 3.1 基于NoC的神经网络加速器的映射算法研究 |
| 3.2 大爆炸算法 |
| 3.2.1 大爆炸算法原理 |
| 3.2.2 混合混沌大爆炸算法原理 |
| 3.3 基于混合混沌大爆炸算法的三维片上网络映射算法 |
| 3.3.1 基于混合混沌大爆炸算法的3DNoC映射原理 |
| 3.3.2 基于混合混沌大爆炸算法的3DNoC映射算法设计与实现 |
| 3.4 仿真实验 |
| 3.4.1 Access Noxim_0.3 仿真器参数设定 |
| 3.4.2 映射仿真实验参数设计 |
| 3.4.3 不同算法的收敛速度对比 |
| 3.4.4 不同算法的功耗对比 |
| 3.5 本章小结 |
| 第四章 基于3DNoC的神经网络加速器研究 |
| 4.1 基于NoC的神经网络硬件加速器架构 |
| 4.2 NoC在神经网络硬件加速器中参数设计 |
| 4.2.1 拓扑选择 |
| 4.2.2 映射方法 |
| 4.2.3 路由器架构 |
| 4.3 仿真实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（4）智慧协同网络基于流量预测与时间戳的缓存机制设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文研究背景 |
| 1.2 国内外研究现状 |
| 1.3 智慧协同网络缓存研究意义 |
| 1.4 论文主要研究工作和组织结构 |
| 2 智慧协同网络与缓存机制概述 |
| 2.1 智慧协同网络概述 |
| 2.2 相关缓存机制概述 |
| 2.2.1 Web缓存机制概述 |
| 2.2.2 以信息为中心网络架构的缓存机制概述 |
| 2.3 网络流量预测模型概述 |
| 2.4 本章小结 |
| 3 智慧协同网络基于流量预测与时间戳的缓存机制设计 |
| 3.1 智慧协同网络缓存机制需求分析与总体设计 |
| 3.1.1 缓存机制需求分析 |
| 3.1.2 缓存机制总体设计 |
| 3.2 流量采集模块设计 |
| 3.3 预测模块设计 |
| 3.3.1 网络流量特征分析 |
| 3.3.2 网络流量预测算法对比与分析 |
| 3.3.3 基于RNN的网络流量预测算法设计 |
| 3.4 资源控制模块与缓存模块设计 |
| 3.5 本章小结 |
| 4 智慧协同网络基于流量预测与时间戳的缓存机制实现 |
| 4.1 流量采集模块实现 |
| 4.1.1 采集模块预处理实现 |
| 4.1.2 采集模块计数实现 |
| 4.2 预测模块实现 |
| 4.3 资源控制模块与缓存模块实现 |
| 4.3.1 缓存空间初始化与调节的实现 |
| 4.3.2 时间戳标记的实现 |
| 4.4 本章小结 |
| 5 智慧协同网络基于流量预测与时间戳的缓存机制仿真分析 |
| 5.1 基于RNN的LSTM网络流量预测模型验证 |
| 5.2 基于网络流量预测与时间戳标识的缓存机制设计验证 |
| 5.2.1 仿真环境与参数配置 |
| 5.2.2 仿真结果分析 |
| 5.3 本章小结 |
| 6 结论与未来展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于ZigBee技术的优化神经网络室内定位算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 课题主要内容及章节安排 |
| 第2章 ZigBee无线传感器网络技术 |
| 2.1 ZigBee技术 |
| 2.1.1 ZigBee技术的主要特点 |
| 2.1.2 ZigBee的设备类型 |
| 2.1.3 ZigBee的网络拓扑结构 |
| 2.2 ZigBee协议栈结构 |
| 2.2.1 ZigBee协议栈概述 |
| 2.2.2 物理层PHY |
| 2.2.3 介质访问控制层MAC |
| 2.2.4 网络层NWK |
| 2.2.5 应用层APL |
| 2.3 ZigBee组网 |
| 2.3.1 协调器自组网 |
| 2.3.2 设备入网 |
| 2.4 基于ZigBee数据采集及预处理 |
| 2.4.1 接收信号强度值采集 |
| 2.4.2 接收信号强度的主要影响因素 |
| 2.4.3 接收信号强度预处理 |
| 2.5 本章小结 |
| 第3章 无线传感器网络的定位技术 |
| 3.1 定位算法的性能评价标准 |
| 3.2 无线网络节点定位算法的分类 |
| 3.2.1 基于非测距的定位算法 |
| 3.2.2 基于测距的定位算法 |
| 3.3 基本的位置估计方法 |
| 3.3.1 三边定位法 |
| 3.3.2 三角定位法 |
| 3.3.3 最大似然估计法 |
| 3.4 基于RSSI信号强度定位算法存在的问题 |
| 3.5 本章小结 |
| 第4章 基于改进广义回归神经网络的室内定位算法 |
| 4.1 广义回归神经网络(GRNN)概述 |
| 4.1.1 GRNN的基本结构 |
| 4.1.2 GRNN的理论基础 |
| 4.2 GRNN的优化训练 |
| 4.2.1 试值法 |
| 4.2.2 群智能算法 |
| 4.3 粒子群算法 |
| 4.3.1 粒子群算法基本理论 |
| 4.3.2 粒子群算法流程 |
| 4.3.3 粒子群算法的优缺点 |
| 4.4 量子粒子群算法 |
| 4.4.1 量子粒子群算法基本理论 |
| 4.4.2 量子粒子群算法流程 |
| 4.4.3 量子粒子群算法的优缺点 |
| 4.5 混沌优化算法 |
| 4.5.1 混沌特性 |
| 4.5.2 混沌映射方程 |
| 4.6 混沌量子粒子群算法 |
| 4.6.1 混沌量子粒子群算法流程 |
| 4.6.2 混沌量子粒子群算法测试 |
| 4.7 基于CQPSO-GRNN神经网络的定位算法 |
| 4.7.1 CQPSO-GRNN网络模型的最优光滑因子测试 |
| 4.7.2 实验结果与仿真分析 |
| 4.8 本章小结 |
| 第5章 定位系统的搭建和验证 |
| 5.1 定位系统的总体架构 |
| 5.2 定位系统的硬件设计 |
| 5.2.1 定位系统芯片-CC2430 |
| 5.2.2 无线射频模块设计 |
| 5.3 系统节点软件设计 |
| 5.3.1 开发环境与Z-Stack协议栈 |
| 5.3.2 网关节点软件设计 |
| 5.3.3 参考节点软件设计 |
| 5.3.4 未知节点软件设计 |
| 5.3.5 上位机软件设计 |
| 5.4 ZigBee无线定位系统定位算法的实现 |
| 5.5 定位系统测试与分析 |
| 5.5.1 定位系统各个节点工程文件下载 |
| 5.5.2 定位系统各个节点物理地址分配 |
| 5.5.3 定位系统测试平台搭建 |
| 5.5.4 定位系统测试结果分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 个人简历、申请学位期间的研究成果及发表的学术论文 |
| 致谢 |
（6）面向城市交通的智能图像处理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 问题的提出 |
| 1.3 本文的主要内容 |
| 1.4 本文的组织结构 |
| 第2章 相关基础理论与技术 |
| 2.1 压缩感知理论基础 |
| 2.2 基于滤波的图像去噪 |
| 2.3 小波变换 |
| 2.4 小波变换图像的实现 |
| 2.5 图像自适应传输策略 |
| 2.6 图像编码策略 |
| 2.7 基于像素的图像合成机制 |
| 2.8 图像的特征提取 |
| 2.9 本章小结 |
| 第3章 压缩感知图像采集与智能去噪新方法 |
| 3.1 物联网压缩感知图像采集方法分析 |
| 3.2 压缩感知图像采集新方法 |
| 3.2.1 压缩感知图像采集的基本原理 |
| 3.2.2 压缩感知图像采集的新方法 |
| 3.3 智能图像去噪技术简介 |
| 3.4 图像智能去噪基本策略 |
| 3.5 噪声去除过程中的自适应非线性收缩函数的设计 |
| 3.6 噪声去除过程中的模积设计 |
| 3.7 基于压缩感知技术的新图像智能去噪方法 |
| 3.8 实验结果 |
| 3.9 本章小结 |
| 第4章 基于自适应传输的图像编码新方法 |
| 4.1 图像自适应传输方法分析 |
| 4.2 图像自适应传输策略的设计 |
| 4.2.1 相关定义 |
| 4.2.2 新方法的原理 |
| 4.2.3 图像自适应传输策略的设计 |
| 4.3 图像智能编码的基本原理 |
| 4.4 图像编码的基本原理 |
| 4.5 图像智能编码新方法 |
| 4.5.1 图像智能编码的主体操作方法 |
| 4.5.2 图像智能编码的主要步骤 |
| 4.5.3 图像智能编码的详细搜索匹配算法 |
| 4.6 实验测试与结果分析 |
| 4.6.1 编码后相关参数的实验结果对比 |
| 4.6.2 编码后自适应传输效果对比 |
| 4.7 本章小结 |
| 第5章 基于模糊神经网络学习策略的图像合成新方法 |
| 5.1 图像合成方法分析 |
| 5.2 基于模糊神经网络的学习策略 |
| 5.2.1 基本原理 |
| 5.2.2 基于模糊神经网络的学习新方法 |
| 5.3 图像合成新方法的设计与实现 |
| 5.3.1 图像合成过程与步骤 |
| 5.3.2 基于模糊神经网络学习机制的图像合成新算法 |
| 5.4 实验结果 |
| 5.4.1 图像合成实验 |
| 5.4.2 图像合成算法对比 |
| 5.5 本章小结 |
| 第6章 城市交通量动态采集应用场景验证与分析 |
| 6.1 测试案例背景 |
| 6.1.1 营口道路交通概况 |
| 6.1.2 营口市交通指挥控制系统 |
| 6.2 营口市交通量动态采集系统应用场景验证案例 |
| 6.2.1 验证系统组成与功能 |
| 6.2.2 系统部署方案 |
| 6.3 验证步骤和方法 |
| 6.3.1 准备阶段 |
| 6.3.2 单项功能验证阶段 |
| 6.3.3 整体验证阶段 |
| 6.4 验证分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 分析与展望 |
| 参考文献 |
| 发表论文和科研情况说明 |
| 致谢 |
（7）基于优化神经网络的混合网络流量预测模型仿真与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.4 论文章节安排 |
| 2 理论概述 |
| 2.1 时间序列分析 |
| 2.1.1 概述 |
| 2.1.2 时间序列分析基本方法 |
| 2.1.3 传统时间序列分析 |
| 2.1.4 混沌时间序列分析 |
| 2.2 小波分析 |
| 2.2.1 概述 |
| 2.2.2 稳定小波变换 |
| 2.2.3 小波基 |
| 2.3 神经网络 |
| 2.3.1 概述 |
| 2.3.2 BP神经网络算法 |
| 2.3.3 BP神经网络存在的问题 |
| 2.3.4 径向基函数神经网络 |
| 2.4 量子遗传算法 |
| 2.4.1 概述 |
| 2.4.2 遗传算法 |
| 2.4.3 量子编码 |
| 2.4.4 量子门 |
| 2.4.5 算法流程 |
| 2.5 本章小结 |
| 3 实验数据及网络流量特性 |
| 3.1 流量矩阵 |
| 3.1.1 流量矩阵的定义 |
| 3.1.2 流量矩阵的获取 |
| 3.1.3 流量矩阵相关应用 |
| 3.2 实验数据 |
| 3.3 数据特性分析 |
| 3.3.1 自相似性与自相关特性 |
| 3.3.2 混沌特性 |
| 3.4 基于ARMA模型的预测方法 |
| 3.5 本章小结 |
| 4 研究模型设计 |
| 4.1 神经网络优化方案 |
| 4.1.1 结构设计 |
| 4.1.2 陷入局部最优解 |
| 4.1.3 过适配问题 |
| 4.2 基于量子遗传算法优化的神经网络 |
| 4.3 基于优化神经网络的流量预测模型 |
| 4.3.1 Q-BP模型设计 |
| 4.3.2 Q-BP模型流程 |
| 4.4 本章小结 |
| 5 仿真设计及结果分析 |
| 5.1 预测评估标准 |
| 5.2 数据集BC-POCT16仿真 |
| 5.2.1 实验方案 |
| 5.2.2 单步预测 |
| 5.2.3 多步预测 |
| 5.3 ABILENE网络数据集仿真 |
| 5.3.1 实验方案 |
| 5.3.2 单步预测 |
| 5.3.3 多步预测 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来的展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（8）改进的伊藤算法及其在网络路由中的优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 伊藤算法研究现状 |
| 1.2.2 网络路由研究现状 |
| 1.3 路由概述 |
| 1.3.1 引言 |
| 1.3.2 路由模型及其算法 |
| 1.3.3 路由算法分类 |
| 1.4 本文的主要研究内容 |
| 1.4.1 研究内容 |
| 1.4.2 主要特色与创新点 |
| 1.4.3 组织结构 |
| 第2章 基本伊藤算法及其局限性 |
| 2.1 基本伊藤算法 |
| 2.1.1 伊藤算法的发展及思想 |
| 2.1.2 基本伊藤算法的求解流程 |
| 2.1.3 基本伊藤算法的关键参数 |
| 2.1.4 伊藤算法与典型群智能算法特性对比 |
| 2.2 基本伊藤算法局限性 |
| 2.2.1 温度函数的局限性 |
| 2.2.2 路径权重更新规则的局限性 |
| 2.2.3 信息利用的局限性 |
| 2.3 本章小结 |
| 第3章 求解最短路径网络路由的改进伊藤算法 |
| 3.1 网络路由问题模型 |
| 3.2 改进的伊藤算法 |
| 3.2.1 温度调节函数 |
| 3.2.2 改进路径权重更新规则 |
| 3.2.3 引入交叉的伊藤算法 |
| 3.2.4 增加局部优化 |
| 3.3 求解最短路径路由的改进伊藤算法设计 |
| 3.3.1 初始转移节点选择 |
| 3.3.2 路径节点转移策略 |
| 3.3.3 粒子半径设计 |
| 3.3.4 搜索停滞的改进 |
| 3.4 求解路由优化问题的伊藤算法收敛性分析 |
| 3.5 仿真分析 |
| 3.5.1 算法仿真参数设置 |
| 3.5.2 仿真一 |
| 3.5.3 仿真二 |
| 3.6 本章小结 |
| 第4章 改进伊藤算法求解多约束QOS路由优化 |
| 4.1 多约束QOS路由模型 |
| 4.1.1 路由网络模型 |
| 4.1.2 QoS优化指标模型 |
| 4.2 混沌优化 |
| 4.2.1 混沌理论 |
| 4.2.2 混沌初始化 |
| 4.2.3 混沌局部优化 |
| 4.3 求解多约束QOS路由优化的改进伊藤算法设计 |
| 4.3.1 改进温度调节函数 |
| 4.3.2 路径节点转移策略 |
| 4.3.3 局部扰动优化策略 |
| 4.4 仿真分析 |
| 4.4.1 算法仿真参数设置 |
| 4.4.2 仿真一 |
| 4.4.3 仿真二 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读硕士期间发表的论文和参加的科研项目 |
（9）基于混沌神经网络的QoS组播路由研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 2 几种用于组合优化问题的神经网络 |
| 2.1 Hopfield神经网络 |
| 2.1.1 连续Hopfield神经网络原理 |
| 2.1.2 Hopfield神经网络的稳定性 |
| 2.1.3 Hopfield神经网络的缺陷 |
| 2.2 暂态混沌神经网络与噪声混沌神经网络 |
| 2.2.1 模拟退火特性与混沌特性 |
| 2.2.2 暂态混沌神经网络 |
| 2.2.3 噪声混沌神经网络 |
| 2.3 迟滞噪声混沌神经网络 |
| 2.3.1 Sun—迟滞噪声混沌神经网络 |
| 2.3.2 基于噪声调节因子迟滞噪声混沌神经网络 |
| 2.4 本章小结 |
| 3 一种基于暂态混沌神经网络的QoS组播路由改进算法 |
| 3.1 QoS组播路由问题的描述 |
| 3.2 混沌神经网络QoS组播路由算法 |
| 3.2.1 用于QoS组播路由问题的暂态混沌神经网络 |
| 3.2.2 传统的混沌神经网络QoS组播路由算法 |
| 3.3 改进的QoS组播路由算法 |
| 3.4 算法初步仿真 |
| 3.5 基于大规模组播路由网络的仿真结果分析 |
| 3.5.1 大规模组播网络中新增约束项对优化结果的影响 |
| 3.5.2 新增约束项与E_2~m的关系 |
| 3.5.3 新增约束项与混沌模拟退火速度的关系 |
| 3.6 本章小结 |
| 4 基于噪声混沌神经网络的QoS组播路由研究 |
| 4.1 改进能量函数与噪声混沌神经网络的结合 |
| 4.2 随机噪声幅值对优化效果的影响 |
| 4.2.1 随机噪声在混沌模拟退火速度过快时的优化效果 |
| 4.2.2 随机噪声在约束项权重不足时的优化效果 |
| 4.3 噪声模拟退火速度对优化结果的影响 |
| 4.4 本章小结 |
| 5 基于迟滞噪声混沌神经网络的QoS组播路由研究 |
| 5.1 迟滞噪声混沌神经网络在QoS组播路由问题中的应用 |
| 5.2 NHNCNN在QoS组播路由问题中的应用 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间学术成果情况 |
| 致谢 |
（10）基于QoS保证的卫星通信系统关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 卫星通信系统发展简介 |
| 1.2.1 卫星通信概念的提出 |
| 1.2.2 卫星通信系统的国际化发展 |
| 1.2.3 广播卫星通信系统 |
| 1.2.4 移动卫星通信系统 |
| 1.2.5 VSAT和宽带卫星系统 |
| 1.3 卫星通信系统发展趋势 |
| 1.4 本论文的主要工作 |
| 1.5 论文组织结构 |
| 参考文献 |
| 第二章 卫星通信系统的QoS研究 |
| 2.1 卫星通信系统QoS框架结构 |
| 2.1.1 QoS简介 |
| 2.1.2 QoS指标要求 |
| 2.1.3 协议体系结构与QoS关键技术 |
| 2.2 卫星网络路由技术研究现状 |
| 2.3 卫星网络资源管理技术研究现状 |
| 2.4 仿真验证 |
| 2.5 本章小结 |
| 参考文献 |
| 第三章 基于跨层蚁群优化的低轨道卫星网络路由策略 |
| 3.1 引言 |
| 3.2 蚁群优化算法概述 |
| 3.2.1 基本蚁群算法原理 |
| 3.2.2 基本蚁群算法的特征 |
| 3.2.3 基本蚁群算法的数学模型 |
| 3.2.4 基本蚁群算法的收敛性分析 |
| 3.3 跨层CAL-LSN算法原理 |
| 3.3.1 算法理论模型 |
| 3.3.2 算法设计思路 |
| 3.4 算法CAL-LSN性能仿真分析 |
| 3.5 本章小结 |
| 参考文献 |
| 第四章 基于改进蚁群系统的低轨道卫星网络多径路由策略 |
| 4.1 引言 |
| 4.2 蚁群算法改进策略概述 |
| 4.2.1 自适应蚁群算法 |
| 4.2.2 基于信息熵的改进蚁群算法 |
| 4.2.3 基于全局搜索和局部搜索相结合的改进蚁群算法 |
| 4.3 MPRA-AC算法原理 |
| 4.3.1 多路径路由的考虑因素 |
| 4.3.2 QoS目标和路由表结构 |
| 4.3.3 算法设计思路 |
| 4.3.3.1 应用在LEO卫星网络中的蚁群算法设计 |
| 4.3.3.2 算法执行过程 |
| 4.4 算法MPRA-AC性能仿真分析 |
| 4.5 本章小结 |
| 参考文献 |
| 第五章 基于跨层混沌预测的宽带多媒体卫星网络资源请求策略 |
| 5.1 引言 |
| 5.2 Internet流量模型 |
| 5.2.1 网络流量特性和度量参数 |
| 5.2.2 自相似流量建模 |
| 5.2.3 流量预测模型 |
| 5.3 CBRA-CPM算法原理 |
| 5.3.1 跨层预测结构模型 |
| 5.3.2 算法设计思路 |
| 5.3.3 基于自相似流量的混沌预测模型 |
| 5.4 算法CBRA-CPM性能仿真分析 |
| 5.4.1 流量模型 |
| 5.4.2 信道模型 |
| 5.4.3 算法性能分析 |
| 5.5 本章小结 |
| 参考文献 |
| 第六章 基于OPNET的宽带多媒体卫星通信系统半实物仿真机制研究 |
| 6.1 引言 |
| 6.2 半实物系统仿真方案 |
| 6.2.1 仿真场景设计 |
| 6.2.2 网络节点结构设计 |
| 6.2.3 真实业务通信接口的实现 |
| 6.3 实验与分析 |
| 6.4 本章小结 |
| 参考文献 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 缩略语 |
| 致谢 |
| 攻读博士学位期间完成的学术论文和其他成果 |
四、混沌神经网络应用于ATM路由算法的研究（论文参考文献）
- [1]移动流媒体多路传输关键技术研究[D]. 秦久人. 北京邮电大学, 2021(01)
- [2]多分布式认知网络中智能策略研究[D]. 李璐. 北京邮电大学, 2020(05)
- [3]基于片上网络的神经网络加速器研究[D]. 范星冉. 天津工业大学, 2019(02)
- [4]智慧协同网络基于流量预测与时间戳的缓存机制设计与实现[D]. 段晓萌. 北京交通大学, 2019(01)
- [5]基于ZigBee技术的优化神经网络室内定位算法研究[D]. 李福敏. 桂林理工大学, 2019(05)
- [6]面向城市交通的智能图像处理关键技术研究[D]. 谢元芒. 东北大学, 2019(01)
- [7]基于优化神经网络的混合网络流量预测模型仿真与实现[D]. 周晓. 北京交通大学, 2017(12)
- [8]改进的伊藤算法及其在网络路由中的优化研究[D]. 满振祯. 浙江工业大学, 2017(04)
- [9]基于混沌神经网络的QoS组播路由研究[D]. 张庆亮. 齐齐哈尔大学, 2016(04)
- [10]基于QoS保证的卫星通信系统关键技术研究[D]. 王厚天. 北京邮电大学, 2014(04)