一、具有平稳增量的自相似过程的边缘分布(论文文献综述)
荣红佳[1](2020)在《时变相关参数估计方法研究及其在网络流量数据分析中的应用》文中研究指明传统Hurst指数为一个常数,只能描述数据整体的自相似性,其估计结果无法描述这些数据局部突变的信息。但最近的研究表明大量自相似数据体现出局部自相似特性,即相对于数据整体的自相似参数,其局部的Hurst指数有所不同。数据的局部自相似特性可以有效描述数据的局部相关特征,是传统自相似参数的一种广义化形式。因此,数据的局部自相似特性分析逐渐受到重视。研究和分析时间序列数据的局部自相似性,对于建立更加准确的系统模型及未来趋势的分析预测都具有十分重要的意义。为了分析数据的局部自相似特性、改善时变Hurst指数估计的准确性,本文利用加入Alpha稳定分布噪声的时间序列模拟数据的局部突变环境,针对传统R/S估计算法中存在的计算准确性低、效率差的缺陷,对其算法中的重新标度环节进行改进,给出一种基于序列长度公约数的改进R/S估计算法,并结合滑动窗函数分析加噪环境下,时间序列时变Hurst指数估计的可靠性。此外,为了验证本研究中时变Hurst指数估计算法的有效性,将结合滑动窗函数的改进R/S估计算法应用于实际网络流量中,并得到较好的分析结果。本文给出的改进算法消除了传统R/S估计算法在重新标度方法上的欠缺,扩大了Hurst指数估计算法的适用范围,对网络流量数据自相似性分析提供了一种有效方法。
闫秋婷[2](2020)在《基于Alpha稳定分布的FARIMA模型网络流量建模及预测》文中进行了进一步梳理随着互联网的迅猛普及,网络已经成为了我们生活中不可或缺的一部分。对于网络的探索也成为了当代研究者们共同关心的话题,而进行网络探索的关键是对网络流量进行预测研究。常规的网络流量预测方法分别基于网络流量特性的建模和对网络流量本身的分析。并且现有的绝大多数网络流量模型的建立及预测方法均未同时考虑网络流量中的重尾特性和自相似特性因素。因此本研究在基于Alpha稳定分布理论的基础上,对网络流量进行自相似性研究,通过改进的FARIMA模型对网络流量数据进行建模和预测。本文在介绍自相似性、长相关性和重尾特性三者基本理论的基础上,分析自相似性分别与长相关、重尾分布之间的关系。阐述网络流量产生自相似性的原因及自相似性对网络性能的影响,同时利用Hurst参数估计算法对实际网络流量进行长相关研究。在Alpha稳定分布理论的基础上,利用其特征指数?的估计算法对实际网络流量进行重尾特性验证。并对现有自相似网络流量模型进行优缺点比较,通过对比分析选取FARIMA模型对网络流量数据进行建模及预测。为了提高模型的预测准确性,采用Alpha稳定分布描述实际的网络流量,并对FARIMA模型参数估计方法进行改进,将基于Alpha稳定分布的共变与FARIMA模型参数取值方法进行结合,将其更好的应用到具有重尾特性的网络流量建模及预测中。通过模拟网络流量数据完成对FARIMA模型的建模仿真。最后,应用改进后的FARIMA模型对贝尔实验室的真实网络数据进行建模及预测,预测结果表明基于Alpha稳定分布的FARIMA模型可以有效提高具有重尾分布特征的网络流量数据的预测准确性,为网络流量分析提供一种可靠的分析工具,对网络业务发展具有重要意义。
陈潇贤[3](2020)在《基于广义柯西过程的滚动轴承可靠性分析》文中认为本文以滚动轴承为研究对象,针对轴承从正常到失效的退化过程是一个缓变趋势特性,提出利用长相关模型——广义柯西(GC)过程模型进行轴承的剩余使用寿命(RUL)预测,主要研究内容有以下几个方面:(1)分析长相关、重尾分布和自相似三者之间的特性:长相关与重尾分布是长相关过程在时域与概率分布域两个方面的不同体现;自相似与长相关都用Hurst指数表示,但是二者之间并不是等价关系。给出了长相关过程两个关键参数分形维和Hurst指数参数估计方法。(2)分析了具有1/f过程性质的长相关模型分数布朗运动(FBM)和分数高斯噪声(f Gn),对两个模型的特性进行分析,指出两个模型中的分形维和Hurst指数存在线性关系,使得对长相关过程的描述只能用Hurst指数一个参数来描述,限制了表达范围。(3)提出了用GC过程来描述长相关过程。首先给出GC过程的定义及其性质,GC过程的分形维和Hurst指数相互独立,并分析了二者对自相关函数的影响。根据分形线性系统理论,由GC过程的自相关函数生成冲激函数,与白噪声卷积得到GC过程的时间序列。(4)推导出GC过程的随机微分方程,建立了基于GC过程的退化模型,并采用极大似然法来估计模型中的参数。确定的模型在规定阈值下求出模型在当前时刻的概率密度函数(PDF)用于预测RUL。对于预测模型具有随机性以及非线性模型难以求得PDF的封闭表达式的问题,采用蒙特卡洛方法,通过大量的数值模拟,获得近似的PDF。(5)针对内圈故障特征在检测振动信号中不明显的问题,通过变模态分解(VMD)提取内圈故障特征。通过单调性、鲁棒性和趋势性对内圈故障特征分量进行评估,选取综合评分最高的特征分量作为反映轴承内圈退化趋势的特征序列用于预测。(6)NSF I/UCR智能维护系统中心(IMS)的内圈故障数据用于预测,通过a-l精度评估的方法验证了GC过程模型的有效性。通过西安交通大学轴承外圈故障实验数据进行预测验证,表明了GC过程模型在外圈故障预测中的有效性。
刘兆羽[4](2019)在《自相似时间序列的时变Hurst参数估计方法研究及应用》文中提出现实中的大多数随机信号序列是非平稳的,并且一些信号具有明显的自相似特性。自相似性体现了信号的局部和整体之间的相关性,可以用Hurst参数进行描述。传统的Hurst参数是一个具有全局性的参数,即整个信号的Hurst参数是一个常数,代表了信号整体的一种自相似特性。但是,专家学者们在分析一些长期数据的自相似性过程中发现,其不同时期的Hurst参数有所区别。传统Hurst参数估计方法只能体现整体数据的自相似特性,其估计结果无法描述这些信号的局部突变信息,因此数据的局部自相似特性分析逐渐受到重视。研究和分析时间序列数据的局部自相似性,对于建立更加准确的系统模型及数据预测,具有重要的意义。本文首先介绍自相似时间序列的定义和相关理论,然后介绍分形布朗运动模型和分形高斯噪声模型。本文利用传统Hurst参数估计方法对时变Hurst参数估计进行深入的研究,得到比较准确的估计结果。本文采用两种改进方法对自相似特性局部Hurst参数进行分析,并通过Matlab仿真完成改进方法的设计。首先,基于滑动窗函数对时变Hurst参数进行估计,研究时间序列的局部特性。其次,引入加权平均值的方法来估计时变Hurst参数,在移动时间窗口上使用指数平滑,对自相似性的序列进行动态研究。此外,为了验证本研究中时变Hurst参数估计改进方法的有效性,将本文改进方法应用于实际网络流量的分析中,并得到较好的分析结果。本文研究内容对具有局部自相似特性的随机信号研究提供了一种有效的分析方法。
张玉雪[5](2019)在《基于时变Hurst参数的网络流量异常检测研究》文中研究表明随着时代的迅猛发展,高新技术已经逐渐融入我们的生活,互联网已经成为我们生活中必不可少的一部分,例如:淘宝已经代替了传统购物方式;支付宝、微信已经逐渐代替了现金;人与人之间的沟通联系方式已经由前几年的电话、短信逐渐转变成现在的微信、微博。这些技术都离不开互联网产业的迅猛发展,由于网络业务的普及性和大众性,网络业务的安全成为人们重点关心的问题,进行网络流量的异常检测将成为保证网络业务安全的关键。常规的网络异常检测方法包括基于特征/行为的研究;基于统计的研究;基于流挖掘的研究等,其中网络流量的自相似性分析成为近期的研究热点。本研究应用时变相关理论对网络流量数据进行自相似性研究,通过建模及预测分析进行网络流量的异常检测。本文首先对网络流量的模型和业务的自相似性进行分析,给出了网络流量存在自相似性的原因,并用Hurst参数估计算法对网络流量的自相似性进行描述。其次,本文对传统模型进行分析并指出其缺点,对网络流量的模型进行分析与研究,选取适合的网络流量业务模型进行建模。对FARIMA模型进行仿真,根据仿真结果得出FARIMA模型可以很好的模拟网络业务。为了验证FARIMA模型的可靠性,同时应用ARIMA模型和FARIMA模型对随机生成的模拟网络流量数据进行仿真预测,并进行预测结果对比分析。最后,应用FARIMA模型对贝尔实验室的真实网络数据进行预测,再对处理后的异常流量模型进行预测,根据预测结果的对比,判断网络流量是否异常,从而进行网络流量异常检测的研究。基于Hurst参数结合FARIMA模型的网络流量异常检测研究,是一种新的网络异常研究方法,对网络业务的发展具有极其重要的意义。
廖勇[6](2019)在《基于网络编码的多跳D2D通信性能研究》文中提出D2D(Device-to-Device)通信作为5G通信的关键技术之一,已成为学术界重要的研究课题。D2D通信能有效卸载蜂窝流量,提高系统容量;而网络编码技术能提高网络吞吐量、系统鲁棒性和频带利用率。对多跳D2D通信进行网络编码传输,可进一步提升系统容量和节省频谱资源。尽管对基于网络编码的多跳D2D通信的研究已取得一定进展,但相关工作未能充分考虑D2D通信和网络流量的特点,其具体表现在:1)某些工作假设D2D通信的信道衰落模型为Rayleigh衰落,而未能体现D2D通信具有近距离通信的特性;2)部分研究通常在网络编码方案的数据编译码成功的情况下优化与评估通信系统的性能参数,而未能考虑编译码失败的情况;3)大多数文献未充分考虑网络流量拥塞导致链路数据溢出中继节点的缓冲区而频繁发生丢失的情况。为此,本文对基于网络编码的多跳D2D通信性能进行分析,主要工作如下:(1)建立蜂窝网络下多跳D2D通信系统的信道衰落模型。相比已有研究,该模型考虑具有较近通信距离的D2D链路,其信道增益服从Rician衰落,而对于具有较远通信距离的干扰链路,其信道增益服从Rayleigh衰落。(2)对于信道衰落模型下的D2D数据传输,设计一种联合喷泉码和异或编码的编码方案。根据该联合编码方案的数据编译码失败的条件,研究在发射功率的限制下端到端传输时隙的最优化问题。通过理论证明,当蜂窝用户和D2D终端用户的发射功率分别为最大与最小值时,端到端传输时隙能得到最优解。(3)基于信道模型和流量模型,分析D2D链路的中断概率和丢包概率,并推导有无网络编码机制下端到端丢包率的表达式。仿真实验比较了Poisson、Pareto和fBm流量模型下D2D链路的丢包情况,以及评估了网络编码机制和中继节点数对端到端丢包率、端到端完成时间和平均端到端传输速率等性能参数的影响。综上所述,本文从性能优化与评估方面对基于网络编码的多跳D2D通信展开深入研究,建立多跳D2D通信系统模型,提出D2D传输的网络编码方案,推导相关的性能参数表达式,为进一步提升D2D通信的系统容量与可靠性提供理论基础。
董莹莹[7](2020)在《时变相关参数估计及其在脑电信号处理中的应用研究》文中进行了进一步梳理脑电信号包含了大量与生理疾病有关的信息,可以用于诊断脑部疾病、探索大脑生理活动。随着科学技术的发展,脑电分析进入计算机时代,脑电信号的相关性研究成为脑电信号分析的热点,相关性参数可以作为一种重要指标对脑电信号进行动态评估并衡量脑部健康状况。按照脑电信号的传统分析方法,其长相关性可以用Hurst参数来衡量,Hurst参数是一个常数,代表脑电信号整体的自相关性。然而受身体机能和外界因素影响,不同时期的脑电信号明显具有不同的局部相关特性,因此本文针对脑电信号的局部相关特性分析给出一种改进指数加权H(?)lder参数估计器,运用改进算法对脑电时间序列的局部动态变化进行分析。本文在分析评价4种传统Hurst估计器有效性的基础上,引入H(?)lder参数H(t)的概念,给出一种改进指数加权H(?)lder参数估计器,并对改进指数加权H(?)lder参数估计器的参数和性能进行分析。仿真分析表明改进指数加权H(?)lder参数估计器在准确性、稳定性以及鲁棒性方面比传统H(?)lder参数估计器有所提高。为了对脑电信号的局部相关性进行更好的动态分析,本研究将改进指数加权H(?)lder参数估计器应用于癫痫脑电信号和睡眠脑电信号两种类型脑电信号中,对脑电信号进行动态分析评价。实验结果表明改进指数加权H(?)lder参数估计器可以有效分析不同类型脑电信号的局部相关性,为脑部疾病诊断和睡眠脑电信号的动态评估提供一种新颖而有效的分析方法。
胡永东[8](2017)在《移动WiMAX网络中跨层的保证QoS解决方案研究》文中研究表明随着无线网络和无线移动设备的飞速发展,宽带无线接入(BWA)的需求量越来越大。移动在线支付和移动电子商务等关键应用和多媒体应用在无线移动网络中比比皆是。无线移动信道具有传播开放,接收环境复杂,用户随机移动的特性。WiMAX网络作为一种宽带无线接入技术,受到业界的普遍关注和青睐。日益增长的用户业务需求与无线资源的稀缺性之间的矛盾对无线资源管理问题提出了新的挑战;用户高速接入需求与无线信道时变特性之间的矛盾对提供QoS保证算法提出了更高的要求。在移动WiMAX网络中有效保证用户的QoS要求是亟待解决的问题。本文从跨层QoS保证框架研究入手,在验证分析了移动WiMAX网络业务流具有长相关特性的基础上,提出了自相似的接纳控制算法;为了发挥无线信道的多用户分集增益,提出了信道感知的实时业务流的调度算法和非实时业务流的调度算法,并对调度算法进行了稳定性分析,系统地解决了移动WiMAX网络中保证用户多业务QoS的关键算法有效性问题。论文的主要工作和研究成果表现在以下几个方面:(1)研究移动WiMAX系统业务流的特性。首先,研究可用于分析业务流特性的方法,认为小波估计法具有较好的分析精确度,并通过试验和理论推导,反复选择小波消失矩和优化尺度参数的范围,减小这些因素对检测结果的影响。其次,利用ON/OFF模型仿真移动WiMAX网络中五种不同类型业务流,使用小波估计法对模型产生的trace文件进行分析。实验分析结果表明,实时业务流的长相关性比较小,非实时业务流的长相关性相对较大,随着网络负载的增大,业务流的长相关性会略有变化,聚合业务流的长相关性的检测值与理论值基本吻合。业务流的长相关性建模比传统的流量建模方法能更精确描述业务流的本质特征,业务流的长相关性对设计网络的呼叫接纳控制算法、提供网络服务质量(QoS)保证、网络安全和改善网络的性能等方面具有重要意义。(2)设计跨层的提供QoS保证解决方案。为了增强提供QoS保证算法的有效性,用多用户分集增益的思想,提出一跨层的提供QoS保证的调度方案。设计出与框架相适应的接纳控制算法和机会调度算法。根据移动WiMAX业务流的长相关特性,提出了自相似的接纳控制算法来控制系统中的连接数目。为了保证实时业务流的时延要求,提出对上行实时业务采用预测的LWDF调度算法;为了满足非实时业务流调度公平性,对上行非实时业务采用预测的PF调度算法。仿真实验表明,跨层调度方案能根据无线信道的时变特性,动态调整调度算法的调度行为,发挥了无线信道的多用户分集增益优势,提高了系统的吞吐量,降低了呼叫阻塞率。(3)设计移动WiMAX系统的接纳控制算法。以移动WiMAX系统业务流长相关特性为基础,提出用M/Pareto模型来对网络业务流进行建模,通过M/Pareto模型和FBM业务流模型之间统计性质得到两个模型间参数映射关系,推导出基于M/Pareto模型参数的有效带宽计算公式,据此设计出一个自相似接纳控制算法(SS-CAC)。该算法避免了通过测量的方法来获取FBM业务流模型中参数值,又适应了移动WiMAX网络流自相似这一特性,使得计算的有效带宽更加精确和快捷,提高了系统资源利用率。仿真结果表明,该算法可提高网络的带宽利用率,降低了系统的呼叫阻塞率。(4)设计业务流的资源调度算法。为了获得多用户分集增益,更好地发挥自适应调制编码(AMC)的作用,针对系统的实时业务流,采用最大加权时延优先调度算法M-LWDF,以适应时延的要求;对非实时业务流,采用调度算法PF,以满足用户的公平性。为了减小瞬时速率的影响,采用马尔可夫预测模型对M-LWDF和PF进行改进,通过预测下一时隙的信道速率,平滑瞬时速率的影响,并据此设计了预测的M-LWDF调度算法(Pre-LWDF)和预测的PF调度算法(Pre-PF)。通过于信道无关性和Markov链的聚合性降低预测模型转换矩阵的维数,提高计算速度。仿真结果表明,该调度方案保证了实时业务流的服务质量,提高了系统的平均吞吐量和公平性,减小了系统的振荡性;保证了非实时业务流的服务质量,提高了系统的平均吞吐量和公平性,减小了系统的振荡性,防止出现"饥饿"现象。(5)分析证明预测调度算法具有稳定性。提出用Lyapunov Drift稳定性理论证明Pre-LWDF调度算法的分组级稳定性,用Markov链建模一无线时变信道,该调度算法在各个用户间调度实时业务流,这样,移动WiMAX网络在PMP模式下形成了一个M/G/1的排队系统。根据队列理论计算推导出移动WiMAX网络的信道容量域和系统的稳定域,用Lyapunov Drift稳定性理论分析证明Pre-LWDF调度算法具有分组级稳定性。进一步在NS2仿真平台上搭建一个移动WiMAX网络仿真环境,验证Pre-LWDF调度算法的稳定性。同时也验证接纳控制算法和调度算法的有效性,进而验证系统的整体性能。另一方面,在调度算法PF具有流级稳定性的基础上,利用流极限理论分析了 Pre-PF算法同样具有流级稳定性。(6)仿真实现了跨层提供QoS保证的框架。为了验证和分析本文提出的跨层提供QoS保证的框架、接纳控制算法和调度算法,在NIST移动WiMAX仿真平台上,引入包含QoS的移动WiMAX模块。在此基础之上,按照跨层提供QoS保证的框架,仿真实现了具有长相关特性的五种业务流、自相似的接纳控制算法和信道感知的预测调度算法。仿真试验分析表明,跨层的提供QoS保证框架及其相关算法不仅具有适用性,更在系统的吞吐量和时延等性能方面有所提高。
赵晓曦[9](2017)在《有限缓存下基于自相似业务流的AOS数据帧生成技术研究》文中指出随着空间科技的快速发展,人类对宇宙空间的探索需求日益增大,为了满足国际空间站对数据传输和管理体系的要求,国际空间数据咨询委员会(Consultative Committee for Space Data System,CCSDS)提出了高级在轨系统(Advanced Orbit System,AOS)。目前,有大量的研究表明AOS中的网络流量具有自相似的特性,并且在实际的应用过程中,缓存容量往往是有限的。故本文对有限缓存下基于自相似业务流的AOS帧生成算法技术进行了研究。首先,对AOS协议及自相似业务流进行了研究。对源包模型做出了简要的概述,并且分析了短相关的源包模型,总结了短相关模型的不足之处。在此基础上,对长相关模型进行了研究,验证了网络流量呈现自相似的特性。通过选择合理的ON/OFF自相似业务流量模型,建立了全新的源包到达模型,分析出了时间段内到达缓存中的数据包的分布情况,并且提出了时间段内信源发送数据包的持续时间均值的计算公式。将提出的计算公式进行仿真,仿真结果表明理论公式的曲线图与仿真曲线图拟合良好,有力的验证了所推导出的理论公式的正确性。其次,对有限缓存下基于自相似业务流的高效率帧生成算法进行了研究。提出了一系列高效率帧生成算法中的计算公式,包括高效率帧生成算法的缓存溢出概率、丢弃概率、平均帧生成时间以及平均包时延。将推导出的理论公式进行仿真,仿真结果表明,理论公式的曲线图与仿真曲线图之间的误差非常小,因此对所提出计算公式的正确性进行了验证,同时也体现了推导思想的合理性。
吴量[10](2016)在《分数阶高斯随机场中的长记忆性研究》文中研究指明长记忆性在现今各领域研究中有着十分重要的地位。分数布朗单是具有长记忆性与自相似性的各向异性高斯随机场的重要模型。本文综合运用多维小波分析、回归分析及概率极限理论,基于分数布朗单模型,进行长记忆性研究,包括分数布朗单Hurst参数的估计(基于分数布朗单的长记忆检测)与分数布朗单的表示与模拟(多维长记忆信号的刻画)。这些工作对于大脑核磁共振扩散张量成像的改进和研究由分数布朗单驱动的随机微分方程具有重要意义。在前两章中,叙述了问题的研究背景与现状以及论文的主要内容,并介绍了分数阶高斯随机场长记忆研究的基础知识。在第三章中,针对一维情形(具有平稳增量的自相似过程),介绍了两种基于小波的Hurst参数估计量,并在分数布朗运动的情形,进行了相关的模拟计算研究。其中包括这两种估计量的比较,参数的选择,经验偏差的分析。这些研究结果补充了现有的一维情形Hurst参数小波估计研究未涉及的地方,为拓展小波估计量到多维情形提供了相关指导。在第四章中,利用多维小波分析对分数布朗单的Hurst参数进行估计。首先在加入小波系数之间独立性假设后,构建了分数布朗单Hurst参数小波估计量,并利用模拟产生的分数布朗单进行验证。数值模拟结果显示该估计量在标准差与均方根误差上都表现很好。然后我们去掉小波系数之间的独立性假设,在严格数学意义下,重新构建小波估计量,并且证明了该估计量的渐近正态性。最后通过两步法实现了重新构建的估计量,并通过数值模拟验证了其精确程度。在第五章中,利用小波分析方法模拟分数布朗单。首先得到广义函数意义下多参数高斯白噪声的小波表示。然后根据分数布朗单的积分定义,对多参数高斯白噪声小波表示进行分数阶积分得到分数布朗单的小波表示,同时证明了该小波表示的几乎处处收敛性。最后根据得到的小波表示,利用快速塔式滤波组算法实现了分数布朗单的模拟,并通过评估模拟的相关系数与理论相关系数之间的差异验证了该模拟方法的精确程度。第六章总结了全文内容,并列出本文研究的后续工作。
二、具有平稳增量的自相似过程的边缘分布(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、具有平稳增量的自相似过程的边缘分布(论文提纲范文)
(1)时变相关参数估计方法研究及其在网络流量数据分析中的应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究综述 |
1.3 本文的结构和创新点 |
本章小结 |
第二章 自相似时间序列相关理论 |
2.1 分形理论 |
2.2 分形维数 |
2.3 自相似性与长相关性 |
2.3.1 平稳随机过程 |
2.3.2 自相似性 |
2.3.3 长相关性 |
2.4 自相似和重尾分布 |
2.5 分形布朗运动 |
2.6 分形高斯噪声 |
2.7 Alpha稳定分布 |
2.7.1 Alpha稳定分布的定义 |
2.7.2 Alpha稳定分布适合描述网络流量业务的原因 |
本章小结 |
第三章 Hurst指数估计算法改进 |
3.1 传统Hurst指数估计算法 |
3.2 仿真时间序列合成方法 |
3.2.1 分形高斯噪声仿真序列合成方法 |
3.2.2 Alpha稳定分布噪声序列合成方法 |
3.3 基于序列长度公约数的改进R/S估计算法 |
3.3.1 改进R/S估计算法的理论依据 |
3.3.2 R/S估计算法和改进R/S估计算法对比 |
3.4 改进R/S估计算法性能分析 |
3.4.1 仿真时间序列的Hurst指数估计 |
3.4.2 Hurst指数估计算法仿真分析 |
本章小结 |
第四章 时变Hurst指数估计算法改进 |
4.1 滑动窗函数性能分析及参数选择 |
4.1.1 滑动窗函数性能分析 |
4.1.2 滑动窗参数选择 |
4.2 时变Hurst指数估计的仿真分析和结论 |
4.2.1 残余方差估计算法结合滑动窗函数时变Hurst指数估计和分析 |
4.2.2 改进R/S估计算法结合滑动窗函数时变Hurst指数估计和分析 |
4.2.3 周期图估计算法结合滑动窗函数时变Hurst指数估计和分析 |
本章小结 |
第五章 时变Hurst指数估计算法在网络流量中的应用 |
5.1 网络流量样本数据的获取 |
5.2 基于改进R/S估计算法的网络流量分析 |
5.3 仿真结果分析 |
本章小结 |
第六章 总结与展望 |
参考文献 |
攻读硕士学位期间发表的学术论文 |
致谢 |
(2)基于Alpha稳定分布的FARIMA模型网络流量建模及预测(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题背景及意义 |
1.2 国内外研究状况 |
1.3 本文创新点及结构内容 |
本章小结 |
第二章 网络流量自相似性相关理论基础 |
2.1 自相似性的定义 |
2.2 长相关性 |
2.2.1 长相关性的定义 |
2.2.2 自相似和长相关的关系 |
2.3 重尾分布 |
2.3.1 重尾分布的定义 |
2.3.2 自相似和重尾分布的关系 |
2.4 网络流量自相似性的原因 |
2.5 自相似性对网络性能的影响 |
2.6 自相似网络流量模型的研究 |
2.6.1 传统网络流量模型的不足 |
2.6.2 自相似网络流量模型的研究 |
2.6.3 自相似网络流量模型的评价 |
本章小结 |
第三章 网络流量的自相似性分析 |
3.1 网络流量的长相关分析 |
3.1.1 Hurst参数估计算法 |
3.1.2 Hurst参数估计算法的评价 |
3.2 网络流量的重尾特性分析 |
3.2.1 Alpha稳定分布 |
3.2.2 Alpha稳定分布的性质 |
3.2.3 Alpha稳定分布的参数估计 |
3.2.4 重尾指数?估计算法的评价 |
本章小结 |
第四章 基于Alpha稳定分布的FARIMA模型仿真分析 |
4.1 FARIMA模型参数估计 |
4.2 基于Alpha稳定分布的FARIMA模型的参数估计 |
4.3 模拟网络流量的FARIMA模型预测 |
本章小结 |
第五章 基于Alpha稳定分布的FARIMA模型网络流量建模及预测 |
5.1 FARIMA建模及预测流程 |
5.2 真实网络流量的自相似性验证 |
5.2.1 真实网络流量的长相关验证 |
5.2.2 真实网络流量的重尾特性验证 |
5.3 真实网络流量的FARIMA模型的建模及预测 |
本章小结 |
总结与展望 |
参考文献 |
攻读硕士学位期间发表情况及科研工作 |
致谢 |
(3)基于广义柯西过程的滚动轴承可靠性分析(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究的背景及意义 |
1.2 国内外研究现状和趋势 |
1.2.1 基于退化轨迹的退化模型 |
1.2.2 基于退化量分布模型的退化模型 |
1.2.3 基于累积损伤模型的退化建模 |
1.2.4 基于人工智能的模型 |
1.2.5 基于随机过程模型的退化建模 |
1.2.6 基于长相关模型的退化建模 |
1.3 本论文研究内容与安排 |
1.4 本章小结 |
第二章 长相关时间序列及相关特性 |
2.1 长相关的定义 |
2.2 长相关的概率分布域形式:重尾分布 |
2.3 长相关的特征参数:分形维 |
2.4 长相关的特征参数:Hurst指数 |
2.5 本章小结 |
第三章 1f过程的长相关特性研究 |
3.1 1/f过程 |
3.2 1/f形式的分数布朗运动 |
3.2.1 FBM的定义及其基本性质 |
3.2.2 FBM的全程长相关性 |
3.3 分形高斯噪声的长相关性 |
3.4 本章小结 |
第四章 广义柯西过程的研究 |
4.1 柯西过程 |
4.2 柯西分布的一般化 |
4.3 柯西类过程自相关函数及其性质 |
4.4 广义柯西理论及其性质 |
4.4.1 GC过程的相关性 |
4.4.2 GC过程的自相似性质 |
4.4.3 GC过程的谱密度 |
4.5 GC过程的序列生成 |
4.6 本章小结 |
第五章 基于GC过程的退化建模与预测 |
5.1 基于GC过程的退化模型 |
5.2 GC退化模型参数估计 |
5.2.1 极大似然估计法原理介绍 |
5.2.2 GC过程参数计算 |
5.3 长相关随机退化模型的预测原理 |
5.3.1 蒙特卡洛模拟法基本原理介绍 |
5.4 本章小结 |
第六章 基于长相关模型的轴承剩余寿命预测 |
6.1 内圈实验平台数据说明 |
6.2 内圈故障特征提取 |
6.2.1 变模态分解提取退化过程 |
6.3 提取退化过程的评估 |
6.4 内圈故障剩余使用寿命预测 |
6.4.1 基于GC过程模型的RUL预测流程 |
6.4.2 预测结果与有效性验证 |
6.5 轴承外圈故障的剩余寿命预测 |
6.6 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
1.发表的学术论文 |
(4)自相似时间序列的时变Hurst参数估计方法研究及应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究综述 |
1.3 本文的结构和创新点 |
本章小结 |
第二章 自相似时间序列分析 |
2.1 自相似时间序列介绍 |
2.1.1 自相似性的统计定义 |
2.1.2 自相似性的性质 |
2.2 时间序列自相似性相关理论 |
2.2.1 分形与分形维数 |
2.2.2 长相关性与自相似性的关系 |
2.2.3 多重分形 |
2.3 传统的网络流量模型介绍 |
2.3.1 分形布朗运动FBM |
2.3.2 分形高斯噪声FGN |
本章小结 |
第三章 传统Hurst参数估计方法分析和评价 |
3.1 传统Hurst参数估计方法 |
3.1.1 重标度极差分析法(R/S) |
3.1.2 方差时间法(V-T) |
3.1.3 绝对值法(ABS) |
3.1.4 周期图法 |
3.1.5 Higuchi法 |
3.2 FBM和FGN序列生成算法 |
3.2.1 FBM和FGN序列生成原理 |
3.2.2 FBM和FGN仿真序列 |
3.3 传统Hurst参数估计方法综合分析 |
3.3.1 分形高斯噪声的Hurst参数估计 |
3.3.2 Hurst参数估计方法仿真分析 |
本章小结 |
第四章 时变Hurst参数估计改进方法研究和分析 |
4.1 基于滑动窗函数的时变Hurst参数估计改进方法 |
4.1.1 滑窗时变Hurst参数估计的理论依据 |
4.1.2 时变Hurst参数估计的算法实现 |
4.1.3 分形高斯噪声分段数据获取 |
4.1.4 时变Hurst参数估计的仿真分析和结论 |
4.2 基于加权平均值法的时变Hurst参数估计改进方法 |
4.2.1 加权平均值法估算实现原理 |
4.2.2 时变Hurst参数估计的仿真和结论 |
本章小结 |
第五章 时变Hurst参数估计方法应用 |
5.1 实际网络流量的获取 |
5.2 基于数据分段法的滑窗局部网络流量分析 |
5.3 基于加权平均值法的局部网络流量分析 |
本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的学术论文 |
致谢 |
(5)基于时变Hurst参数的网络流量异常检测研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题背景及意义 |
1.2 国内外研究状况 |
1.3 本文创新点 |
1.4 本文结构及内容 |
本章小结 |
第二章 自相似性基本理论 |
2.1 自相似性的定义 |
2.1.1 自相似的物理描述 |
2.1.2 自相似过程的数学定义 |
2.2 自相似的性质 |
2.2.1 长相关性 |
2.2.2 慢衰减方差性 |
2.2.3 Hurst效应 |
2.2.4 谱密度的幂指数特性 |
2.3 自相似与重尾分布 |
本章小结 |
第三章 网络业务的自相似性分析与网络模型的研究 |
3.1 网络业务自相似的原因 |
3.2 网络流量自相似性对网络的影响 |
3.3 传统网络数据流量模型的研究 |
3.3.1 泊松(Poisson)模型 |
3.3.2 马尔可夫模型(Markov)模型 |
3.3.3 回归模型 |
3.3.4 传统模型的不足 |
3.4 自相似网络流量模型的研究 |
3.4.1 重尾分布的ON/OFF模型 |
3.4.2 FBM/FGN模型 |
3.4.3 FARIMA模型 |
3.4.4 几种自相似网络流量模型的评价 |
本章小结 |
第四章 网络流量自相似Hurst参数估计算法 |
4.1 Hurst参数估计算法 |
4.1.1 重标极差分析法(R/S法) |
4.1.2 平均周期图法 |
4.1.3 小波分析法 |
4.2 真实网络流量的Hurst参数估计 |
本章小结 |
第五章 网络流量模型建立及网络流量异常检测 |
5.1 FARIMA模型的建立 |
5.2 模拟网络流量的ARIMA模型预测 |
5.3 模拟网络流量的FARIMA模型预测 |
5.4 网络流量异常检测研究 |
5.4.1 数据的获取与处理 |
5.4.2 真实网络流量的FARIMA模型预测 |
5.5 网络流量异常检测过程及结果 |
本章小结 |
总结与展望 |
参考文献 |
攻读硕士学位期间发表的学术论文 |
致谢 |
(6)基于网络编码的多跳D2D通信性能研究(论文提纲范文)
摘要 |
abstract |
注释表 |
第1章 绪论 |
1.1 研究背景 |
1.2 研究现状 |
1.3 研究内容及意义 |
1.4 论文组织结构 |
第2章 网络编码和流量模型概述 |
2.1 网络编码概述 |
2.2 网络编码的分类 |
2.2.1 物理层网络编码 |
2.2.2 随机线性网络编码 |
2.2.3 即时译码网络编码 |
2.3 非自相似流量模型 |
2.3.1 泊松流量模型 |
2.3.2 复合泊松流量模型 |
2.3.3 马尔可夫调制泊松流量模型 |
2.3.4 Packet train流量模型 |
2.4 网络流量的自相似性 |
2.5 自相似流量模型 |
2.5.1 fBm流量模型 |
2.5.2 Pareto流量模型 |
2.5.3 Weibull流量模型 |
2.6 本章小结 |
第3章 基于联合编码方案的多跳D2D通信性能优化 |
3.1 引言 |
3.2 系统模型 |
3.2.1 蜂窝网络下的多跳D2D通信模型 |
3.2.2 Rician-Rayleigh信道衰落模型 |
3.3 联合编码方案 |
3.3.1 数据预编码 |
3.3.2 数据异或编码 |
3.3.3 数据译码 |
3.4 端到端传输时隙的最小化 |
3.4.1 端到端传输时隙 |
3.4.2 优化问题和算法描述 |
3.5 实验仿真及分析 |
3.6 本章小结 |
第4章 基于网络编码和流量模型的多跳D2D通信性能评估 |
4.1 引言 |
4.2 系统模型 |
4.2.1 蜂窝网络下的多跳D2D通信模型 |
4.2.2 流量模型 |
4.2.3 中继选择模型 |
4.3 基于网络编码的D2D数据传输和链路丢包率 |
4.3.1 基于网络编码的D2D数据传输 |
4.3.2 D2D链路丢包率 |
4.4 网络编码下的性能指标 |
4.4.1 端到端丢包率 |
4.4.2 其他性能指标 |
4.5 实验仿真及分析 |
4.6 本章小结 |
第5章 总结与展望 |
5.1 论文总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
攻读硕士学位期间从事的科研工作及取得的成果 |
(7)时变相关参数估计及其在脑电信号处理中的应用研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题背景及意义 |
1.2 国内外研究综述 |
1.2.1 相关性估计方法国内外研究综述 |
1.2.2 脑电信号国内外研究综述 |
1.3 本文创新点 |
1.4 本文的结构 |
本章小结 |
第二章 长相关性和局部相关性的理论基础 |
2.1 相关特性描述 |
2.1.1 长相关性 |
2.1.2 局部相关性 |
2.2 分形和自相似理论 |
2.2.1 分形与多重分形理论 |
2.2.2 自相似理论 |
2.3 长相关和局部相关信号的数学模型 |
2.3.1 分数阶布朗运动 |
2.3.2 分数阶高斯噪声 |
2.4 传统Hurst参数估计器介绍 |
本章小结 |
第三章 改进指数加权H(?)lder参数估计方法研究 |
3.1 传统Hurst参数估计器分析评价 |
3.1.1 分数阶高斯噪声时间序列的仿真 |
3.1.2 传统Hurst参数估计器的分析评价 |
3.2 传统H(?)lder参数估计器的分析评价 |
3.3 改进指数加权H(?)lder参数估计器 |
3.3.1 改进指数加权H(?)lder参数估计器 |
3.3.2 改进指数加权H(?)lder参数估计器相关参数的选择分析 |
3.3.3 改进指数加权H(?)lder参数估计器准确性分析 |
3.3.4 改进指数加权H(?)lder参数估计器鲁棒性分析 |
3.3.5 改进指数加权H(?)lder参数估计器对局部相关性的分析评价 |
本章小结 |
第四章 改进指数加权H(?)lder参数估计器在脑电信号中的应用 |
4.1 改进指数加权H(?)lder参数估计器在癫痫脑电信号中的应用 |
4.1.1 癫痫脑电信号介绍 |
4.1.2 癫痫脑电信号的Hurst参数估计 |
4.1.3 基于改进指数加权H(?)lder参数估计器的癫痫脑电信号分析 |
4.2 改进指数加权H(?)lder参数估计器在睡眠脑电信号中的应用 |
4.2.1 睡眠脑电信号介绍 |
4.2.2 睡眠脑电信号的Hurst参数估计 |
4.2.3 基于改进指数加权H(?)lder参数估计器的睡眠脑电信号分析 |
本章小结 |
总结与展望 |
参考文献 |
攻读硕士学位期间发表的学术论文 |
致谢 |
(8)移动WiMAX网络中跨层的保证QoS解决方案研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 移动WIMAX网络 |
1.1.2 移动WIMAX与WiFi的差别 |
1.1.3 服务质量(QoS) |
1.1.4 移动WIMAX网络的服务质量 |
1.1.5 移动WIMAX网络中的跨层优化 |
1.2 研究现状及存在问题 |
1.2.1 移动WIMAX的QoS研究现状 |
1.2.2 存在的问题 |
1.3 研究目标与内容 |
1.3.1 研究目标与研究方法 |
1.3.2 研究工作和主要贡献 |
1.3.3 研究内容 |
1.4 组织结构 |
第二章 提供QOS保证解决方案研究思路 |
2.1 概述 |
2.2 WIMAX体系结构 |
2.3 IEEE802.16E标准中提供QoS保证的解决方案 |
2.3.1 移动WIMAX的CAC方案 |
2.3.2 移动WIMAX的调度方案 |
2.4 跨层的提供QoS保证的解决方案 |
2.5 提供QoS保证方案设计 |
2.5.1 提供QoS保证的CAC方案 |
2.5.2 提供QoS保证的调度方案 |
2.6 切换过程 |
2.6.1 切换概述 |
2.6.2 移动WIMAX切换过程 |
2.6.3 切换算法 |
2.7 本章小结 |
第三章 移动WIMAX网络业务流特性分析 |
3.1 概述 |
3.2 平稳增量二阶自相似过程的判定及性质 |
3.3 业务流的长相关性参数估计算法 |
3.4 HURST参数的小波估计法 |
3.4.1 小波分析理论 |
3.4.2 小波估计法理论基础 |
3.4.3 HURST参数的小波估计法AV |
3.5 移动WIMAX业务流的仿真及特性分析 |
3.5.1 仿真参数设置 |
3.5.2 同种业务流的仿真及特性分析 |
3.5.3 混合的业务流仿真及特性分析 |
3.6 本章小结 |
第四章 移动WIMAX网络中自相似呼叫接纳控制算法 |
4.1 概述 |
4.2 理论基础分析 |
4.2.1 自相似过程分形布朗运动 |
4.2.2 自相似网络模型FBM流量预测 |
4.2.3 M/PARETO模型及其自相似性 |
4.3 移动WIMAX系统中的业务流模型 |
4.3.1 业务流的建模思想 |
4.3.2 系统业务流参数设置 |
4.3.3 聚合业务流ON/OFF模型 |
4.4 自相似的呼叫接纳控制(SS-CAC)算法 |
4.4.1 算法思想 |
4.4.2 算法描述 |
4.5 自适应的带宽预留算法 |
4.6 算法仿真与分析 |
4.6.1 仿真参数设置 |
4.6.2 CAC仿真结果分析 |
4.6.3 自适应BR算法仿真结果分析 |
4.7 本章小结 |
第五章 移动WIMAX中马尔可夫预测调度算法 |
5.1 概述 |
5.2 研究背景 |
5.3 WIMAX移动信道的传输速率预测 |
5.3.1 马尔可夫链 |
5.3.2 马尔可夫链的聚合性(LUMPABILITY) |
5.3.3 有限状态马尔可夫信道模型 |
5.3.4 马尔可夫链预测SS的传输速率 |
5.4 实时业务流预测的LWDF分组调度算法PRE-LWDF |
5.5 PRE-LWDF算法性能分析 |
5.5.1 性能分析指标 |
5.5.2 仿真结果及分析 |
5.6 非实时业务流预测的PF分组调度算法PRE-PF |
5.6.1 PRE-PF分组调度算法思想 |
5.6.2 PRE-PF分组调度算法 |
5.7 PRE-PF算法性能分析 |
5.7.1 性能分析指标 |
5.7.2 预测的PF算法实用性分析 |
5.7.3 仿真结果及分析 |
5.8 本章小结 |
第六章 移动WIMAX网络预测调度算法稳定性分析 |
6.1 概述 |
6.2 调度算法的稳定性 |
6.2.1 调度算法稳定性的相关概念 |
6.2.2 调度算法稳定性分析方法 |
6.3 PRE-LWDF调度算法稳定性分析 |
6.3.1 系统建模与稳定域 |
6.3.2 PRE-LWDF算法稳定性分析 |
6.4 PRE-LWDF调度算法稳定性验证 |
6.4.1 参数设置 |
6.4.2 仿真结果分析 |
6.5 PRE-PF调度算法稳定性分析 |
6.6 本章小结 |
第七章 移动WIMAX中跨层提供QOS保证解决方案仿真实现 |
7.1 概述 |
7.2 NS2移动WIMAX系统 |
7.2.1 NS2中保留部件与NIST移动WIMAX的关系 |
7.2.2 在移动WIMAX仿真中提供QoS保证的五个主要模块 |
7.3 NIST的移动WIMAXQoS模型 |
7.3.1 NIST的移动WIMAX模块 |
7.3.2 包含QoS的移动WIMAX扩展模块 |
7.3.3 信道模型和链路自适应 |
7.4 跨层QoS保证解决方案仿真实现 |
7.4.1 分组分类器的扩展 |
7.4.2 自相似接纳控制算法实现 |
7.4.3 信道感知的预测调度算法实现 |
7.5 切换过程仿真实现 |
7.6 性能分析评估 |
7.6.1 仿真参数设置 |
7.6.2 仿真结果分析 |
7.7 本章小结 |
第八章 论文总结和未来工作 |
8.1 论文结论 |
8.2 未来工作 |
参考文献 |
致谢 |
附录 攻读博士学位期间完成的论文列表 |
附录 攻读博士学位期间参加科研项目列表 |
(9)有限缓存下基于自相似业务流的AOS数据帧生成技术研究(论文提纲范文)
摘要 |
abstract |
第1章 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 现有研究存在的不足 |
1.4 本论文的结构安排 |
第2章 AOS协议及网络流量的自相似性分析 |
2.1 AOS协议概述 |
2.1.1 AOS数据单元格式 |
2.1.2 AOS多路复用技术 |
2.2 自相似特性分析 |
2.2.1 自相似的定义 |
2.2.2 自相似网络流量产生的原因 |
2.2.3 自相似过程的特点 |
2.3 自相似流量模型 |
2.3.1 分形布朗运动 |
2.3.2 分形高斯噪声 |
2.3.3 FARIMA(p,d,q)过程模型 |
2.4 本章小结 |
第3章 源包模型分析 |
3.1 模型的简要概述 |
3.2 短相关的源包模型 |
3.2.1 马尔科夫源包模型 |
3.2.2 基于泊松流的源包模型 |
3.2.3 基于马尔科夫过程的泊松过程 |
3.2.4 短相关模型的不足与缺陷 |
3.3 长相关的源包模型 |
3.3.1 ON/OFF模型 |
3.3.2 ON/OFF源叠加产生的自相似业务流的源包模型 |
3.3.3 到达的数据包数的分布 |
3.3.4 时间段内信源发包时间的均值 |
3.3.5 仿真结果 |
3.4 本章小结 |
第4章 有限缓存下基于自相似业务流的高效率帧生成算法 |
4.1 高效率帧生成算法概述 |
4.2 高效率帧生成算法的缓存溢出概率 |
4.2.1 高效率帧生成算法的缓存溢出概率推导 |
4.2.2 仿真结果 |
4.3 高效率帧生成算法的丢弃概率 |
4.3.1 高效率帧生成算法的丢弃概率推导 |
4.3.2 仿真结果 |
4.4 高效率帧生成算法的帧生成时间 |
4.4.1 高效率帧生成算法的帧生成时间推导 |
4.4.2 仿真结果 |
4.5 高效率帧生成算法的平均包时延 |
4.5.1 高效率帧生成算法的平均包时延推导 |
4.5.2 仿真结果 |
4.6 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和取得的科研成果 |
致谢 |
(10)分数阶高斯随机场中的长记忆性研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 长记忆性 |
1.2 研究现状 |
1.3 本文的主要内容及创新点 |
2 长记忆性研究基础知识 |
2.1 长记忆性、Hurst参数及分数布朗运动 |
2.2 分数阶高斯随机场 |
2.3 小波分析相关理论 |
3 一维情形Hurst参数的小波估计 |
3.1 一维情形Hurst参数的小波估计 |
3.2 分数布朗运动的模拟 |
3.3 数值模拟结果 |
3.3.1 两种估计量的比较 |
3.3.2 初始化方法分析 |
3.3.3 参数选择 |
3.3.4 偏差分析 |
3.4 小结 |
4 分数布朗单Hurst参数的小波估计 |
4.1 引言 |
4.2 分数布朗单的模拟 |
4.3 分数布朗单的小波系数 |
4.4 分数布朗单小波系数的计算 |
4.5 独立性假设下分数布朗单Hurst参数的小波估计 |
4.5.1 Hurst参数的估计 |
4.5.2 数值模拟结果 |
4.6 分数布朗单Hurst参数的小波估计及其渐近行为 |
4.6.1 预备知识 |
4.6.2 Hurst参数的估计及其渐近行为 |
4.6.3 定理4.6.4的证明 |
4.6.4 两步估计方法 |
4.6.5 数值模拟结果及讨论 |
4.7 小结 |
5 分数布朗单的小波模拟方法 |
5.1 引言 |
5.2 多参数高斯白噪声的小波表示 |
5.3 分数布朗单的小波表示 |
5.4 数值模拟 |
5.5 小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
四、具有平稳增量的自相似过程的边缘分布(论文参考文献)
- [1]时变相关参数估计方法研究及其在网络流量数据分析中的应用[D]. 荣红佳. 大连交通大学, 2020(06)
- [2]基于Alpha稳定分布的FARIMA模型网络流量建模及预测[D]. 闫秋婷. 大连交通大学, 2020(06)
- [3]基于广义柯西过程的滚动轴承可靠性分析[D]. 陈潇贤. 上海工程技术大学, 2020(04)
- [4]自相似时间序列的时变Hurst参数估计方法研究及应用[D]. 刘兆羽. 大连交通大学, 2019(08)
- [5]基于时变Hurst参数的网络流量异常检测研究[D]. 张玉雪. 大连交通大学, 2019(08)
- [6]基于网络编码的多跳D2D通信性能研究[D]. 廖勇. 重庆邮电大学, 2019(02)
- [7]时变相关参数估计及其在脑电信号处理中的应用研究[D]. 董莹莹. 大连交通大学, 2020(06)
- [8]移动WiMAX网络中跨层的保证QoS解决方案研究[D]. 胡永东. 东南大学, 2017(09)
- [9]有限缓存下基于自相似业务流的AOS数据帧生成技术研究[D]. 赵晓曦. 沈阳理工大学, 2017(03)
- [10]分数阶高斯随机场中的长记忆性研究[D]. 吴量. 中国科学院研究生院(武汉物理与数学研究所), 2016(08)