本文關鍵詞：基于改進T-S模糊神經(jīng)網(wǎng)絡的網(wǎng)絡流量預測　出處：《濟南大學學報(自然科學版)》2015年04期 　論文類型：期刊論文

  更多相關文章： 蜂群算法 差分進化 T-S模糊神經(jīng)網(wǎng)絡 網(wǎng)絡流量 預測

【摘要】：為提高網(wǎng)絡流量的預測精度,在人工蜂群算法和T-S模糊神經(jīng)網(wǎng)絡的基礎上,采用一種具有差分進化搜索的蜂群算法訓練T-S模糊神經(jīng)網(wǎng)絡,對網(wǎng)絡流量進行建模預測。該算法首先利用差分進化算法的變異和交叉算子來替換人工蜂群算法中引領蜂的搜索策略,然后對人工蜂群算法中跟隨蜂的搜索策略進行改進,使其在種群最優(yōu)解附近產(chǎn)生候選食物源,該算法能較好地平衡局部搜索能力和全局搜索能力。將優(yōu)化后的T-S模糊神經(jīng)網(wǎng)絡用于網(wǎng)絡流量預測,并與T-S模糊神經(jīng)網(wǎng)絡、蜂群算法優(yōu)化T-S進行比較,仿真結果表明該算法具有更高的預測準確性,從而證明該算法在預測領域的可行性和有效性。
[Abstract]:In order to improve the accuracy of network traffic prediction, based on artificial bee colony algorithm and T-S fuzzy neural network, a colony algorithm with differential evolution search is used to train T-S fuzzy neural network. The algorithm uses the mutation and crossover operator of differential evolution algorithm to replace the search strategy of artificial bee colony algorithm. Then the search strategy of following bee in artificial bee colony algorithm is improved to make it produce candidate food source near the optimal solution of population. This algorithm can balance the local search ability and the global search ability. The optimized T-S fuzzy neural network is used to predict the network traffic, and it is compared with the T-S fuzzy neural network. Compared with T-S optimization, the simulation results show that the proposed algorithm has higher prediction accuracy, which proves the feasibility and effectiveness of the algorithm in the field of prediction.
【作者單位】： 蘭州交通大學電子與信息工程學院;
【基金】：甘肅省自然科學基金(1310RJZA027) 甘肅省科技支撐項目(1204FKCA025) 甘肅省高�；究蒲袠I(yè)務費基金(213056)
【分類號】：TP183;TP393.06
【正文快照】： 隨著Internet和網(wǎng)絡技術的飛速發(fā)展,網(wǎng)絡規(guī)模日益龐大,網(wǎng)絡拓撲結構越發(fā)復雜,網(wǎng)絡性能和網(wǎng)絡服務質量方面的問題日益突出。在網(wǎng)絡資源有限的情況下,建立網(wǎng)絡流量預測模型,實時對網(wǎng)絡流量進行預測,將會極大地提高網(wǎng)絡性能和網(wǎng)絡服務的質量。網(wǎng)絡流量具有非線性、長相關、時變性

【參考文獻】

相關期刊論文 前10條

1 譚躍;譚冠政;;具有混沌局部搜索策略的差分進化全局優(yōu)化算法[J];計算機工程與應用;2009年14期

2 李松;羅勇;張銘銳;;遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的混沌時間序列預測[J];計算機工程與應用;2011年29期

3 李海燕;李咚;;改進的神經(jīng)網(wǎng)絡在網(wǎng)絡流量預測中的應用研究[J];計算機仿真;2011年09期

4 李目;何怡剛;周少武;劉祖潤;;一種差分進化算法優(yōu)化小波神經(jīng)網(wǎng)絡及其在弱信號檢測中的應用[J];計算機應用與軟件;2010年03期

5 龍文;梁昔明;龍祖強;秦浩宇;;基于混合進化算法的RBF神經(jīng)網(wǎng)絡時間序列預測[J];控制與決策;2012年08期

6 侯越;;基于改進T-S模糊神經(jīng)網(wǎng)絡的交通流量預測[J];計算機科學與探索;2014年01期

7 杜文莉;周仁;趙亮;錢鋒;;基于量子差分進化算法的神經(jīng)網(wǎng)絡優(yōu)化方法[J];清華大學學報(自然科學版);2012年03期

8 朱萬富;趙仕俊;;基于粗糙集的神經(jīng)網(wǎng)絡結構優(yōu)化設計[J];計算機工程與設計;2007年17期

9 陳增強,鄭濤,袁著祉;基于T-S模糊神經(jīng)網(wǎng)絡的ATM網(wǎng)絡擁塞控制[J];通信學報;2002年08期

10 陳興,孟衛(wèi)東,嚴太華;基于T-S模型的模糊神經(jīng)網(wǎng)絡在股市預測中的應用[J];系統(tǒng)工程理論與實踐;2001年02期

【共引文獻】

相關期刊論文 前10條

1 杜樹新;袁石勇;;基于神經(jīng)網(wǎng)絡的ATM網(wǎng)絡多媒體流擁塞控制[J];電路與系統(tǒng)學報;2007年04期

2 謝元瑰;張紅燕;陳玉峰;;基于REMCC-BPNN的糧食產(chǎn)量預測研究[J];安徽農(nóng)業(yè)科學;2013年06期

3 李曉靜;李杰;;改進的小波神經(jīng)網(wǎng)絡在變壓器故障診斷中的應用[J];電子器件;2013年03期

4 蔡鑫;南新元;孔軍;;改進Elman神經(jīng)網(wǎng)絡在氧化還原電位預測中的應用[J];安徽大學學報(自然科學版);2014年02期

5 趙舒陽;劉偉;蔡耀河;;一種改進的混沌局部搜索的人工蜂群算法[J];廣東工業(yè)大學學報;2013年04期

6 魯敏;岑紅蕾;王洪坤;;基于LM—BP的新疆瑪納斯灌區(qū)用水量預測[J];中國農(nóng)機化學報;2014年02期

7 劉春;;遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的網(wǎng)絡流量預測[J];信息安全與技術;2014年06期

8 劉龍;張獻州;喻巧;甄亞男;;基于GA-BP神經(jīng)網(wǎng)絡的高鐵線下工程沉降預測模型[J];測繪工程;2014年05期

9 徐澤亞;彭宇陽;;基于遺傳BP神經(jīng)網(wǎng)絡的短時交通流預測[J];計算機光盤軟件與應用;2014年17期

10 楊勝龍;鄔e，

本文編號：1411426