發(fā)布時間：2021-11-16 23:39

　　隨著工信部向三大運營商頒發(fā)了5G商用牌照,中國的5G通信網(wǎng)絡基礎設施建設正式拉開序幕,在2020年3月的中共中央政治局常委會議提出加快5G網(wǎng)絡、數(shù)據(jù)中心新型技術設施建設,即新基建將進入大規(guī)模建設階段。無論在5G通信基礎設施建設還是在新基建工程中均涉及通信網(wǎng)絡、數(shù)據(jù)中心等網(wǎng)絡工程的建設,而對城市網(wǎng)絡流量預測,是此類工程項目進行科學規(guī)劃的前提和關鍵。在進行新的通信基礎設施建設時,對原有通信設施的擴容建設是一種必不可少的手段,通過對擴容工程進行優(yōu)化,能夠在工程建設目標的基礎上大大減少工程的建設成本,同時提高工程的建設效率。以科學準確的預測城域網(wǎng)流量為基礎,依據(jù)預測結果對網(wǎng)絡擴容工程進行優(yōu)化,對城域網(wǎng)擴容工程具有非常重要的意義。本文首先對D運營商城域網(wǎng)建設情況進行介紹,并對流量預測和擴容工程優(yōu)化的方法進行了介紹和分析,然后對城域網(wǎng)流量預測進行研究,分析傳統(tǒng)的預測方法和智能預測方法,并確定使用循環(huán)神經(jīng)網(wǎng)絡,建立了基于循環(huán)神經(jīng)網(wǎng)絡的城域網(wǎng)流量預測模型,選擇合適的誤差分析方法,對相關函數(shù)及優(yōu)化器進行分析,選擇最優(yōu)組合,從而提高了城域網(wǎng)流量預測的準確性。在流量預測的基礎上對城域網(wǎng)網(wǎng)絡擴容工程的優(yōu)化進行... 

【文章來源】：華北電力大學河北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

研究內(nèi)容框架圖

華北電力大學碩士學位論文17圖2-2LeNet5結構圖該網(wǎng)絡是由YannLeCun于1998年提出，它最早是應用于手寫體字的識別的卷積神經(jīng)網(wǎng)絡，在手寫體數(shù)據(jù)集合上可以達到約為98%的正確率。LeNet網(wǎng)絡總共有7層，其中卷積層為C1層，C3層，C5層，池化層為S2，S4，全連接層為F6。卷積層的主要作用是提取輸入數(shù)據(jù)集合中的特征，它的內(nèi)部包含有多個卷積核，組成卷積核的每個元素都對應一個權重系數(shù)和一個偏差量，類似于一個前饋神經(jīng)網(wǎng)絡的神經(jīng)元。在卷積層完成特征提取后，輸出的特征圖將被傳遞至池化層進行特征選擇和信息過濾。在某種意義上，池化層的工作方式非常類似于離散卷積。池化層主要采用降采樣操作，將特征圖中單個點的結果替換為其相鄰區(qū)域的特征圖統(tǒng)計量。這樣減少了后續(xù)層需要處理的參數(shù)量，降低了特征的維度，加快了網(wǎng)絡的學習速率[51]。目前，常見的池化方式有最大值池化，平均值池化等。全連接層位于卷積神經(jīng)網(wǎng)絡隱含層的最后部分，它只向其它全連接層進行信號的傳遞。其主要的作用是將神經(jīng)網(wǎng)絡中所學到的“特征表示”映射到樣本標記空間。（2）支持向量機支持向量機（SVM）是近幾年被人們十分關注的一種算法，是以統(tǒng)計學為基礎，能夠解決傳統(tǒng)統(tǒng)計學所需的無限樣本的缺陷以及有限樣本的機器學習中存在的局部極小值和高維數(shù)等問題。在處理高維數(shù)據(jù)時該模型具有非常優(yōu)質(zhì)的性能，并且具有良好的泛化性能。支持向量機從發(fā)展起來以后一直被廣泛的用于解決分類及回歸問題，其支持向量機回歸模型通常被用于數(shù)據(jù)預測領域，并且預測的精準度較高，具很好的應用價值[52]。SVM就是通過非線形變換將樣本空間映射到高維特征空間H（Hilbert空間），

的時序信息和詞語含義信息的深度表達的能力。循環(huán)神經(jīng)網(wǎng)絡最初設計就是為了表示一個序列當前的輸出與之前輸入的信息關系。從網(wǎng)絡結構上看，循環(huán)神經(jīng)網(wǎng)絡會保存前面輸入的信息，并利用之前的信息對后面結點的輸出進行影響。也就是說，循環(huán)神經(jīng)網(wǎng)絡的隱藏層之間的結點是有連接的，隱藏層的輸入不僅包括輸入層的輸出，還包括上一時刻隱藏層的輸出[53]。這樣做相當于賦予網(wǎng)絡記憶，使得當前的輸出依賴于當前的輸入和記憶。RNN 有如下特點 1)能夠處理序列化數(shù)據(jù)，隱層神經(jīng)元之間也有權連接 2)權值共享，輸入層，隱層，輸出層的權值在不同序列中都相同 3)每一個輸入值只與它本身的那條線路建立權連接，不與別的神經(jīng)元連接 經(jīng)典 RNN 結構圖如下圖。

【參考文獻】：
期刊論文
[1]基于CNN-XGBoost的短時交通流預測[J]. 葉景,李麗娟,唐臻旭.  計算機工程與設計. 2020(04)
[2]一種基于卷積神經(jīng)網(wǎng)絡模型融合的織物疵點檢測方法[J]. 蔡鵬,楊磊,羅俊麗.  北京服裝學院學報(自然科學版). 2020(01)
[3]基于改進粒子群算法的月地轉(zhuǎn)移軌道優(yōu)化[J]. 李遠平,蔡遠利,李濟生.  工程力學. 2020(03)
[4]TD-LTE網(wǎng)絡擴容策略及方法[J]. 程璇.  中國新通信. 2020(03)
[5]基于LSTM循環(huán)神經(jīng)網(wǎng)絡的泊位需求短時預測研究[J]. 裘瑞清,周后盤,吳輝,阮益權,石敏.  自動化技術與應用. 2019(11)
[6]面向5G業(yè)務承載的新型智能城域網(wǎng)重構與思考[J]. 王明蓉,王斌,王林.  通信與信息技術. 2019(06)
[7]5G確定性網(wǎng)絡的應用和傳送技術[J]. 趙福川,劉愛華,周華東.  中興通訊技術. 2019(05)
[8]基于卷積神經(jīng)網(wǎng)絡的人臉識別研究與設計[J]. 王立凱.  通信電源技術. 2019(07)
[9]提升4G無線網(wǎng)擴容方案準確度研究[J]. 劉詩虎,王勇.  信息通信. 2019(06)
[10]基于MAWILab數(shù)據(jù)集的短期網(wǎng)絡流量預測[J]. 強延飛,劉雅婷,王永程,谷源濤.  計算機仿真. 2019(05)

碩士論文
[1]基于支持向量機煤灰熔融特性及低溫受熱面積灰監(jiān)測[D]. 陳裕輝.華北電力大學(北京) 2019



本文編號：3499787