發(fā)布時(shí)間：2018-04-09 12:23

  本文選題：網(wǎng)絡(luò)流量預(yù)測(cè)　切入點(diǎn)：小波分析　出處：《西安電子科技大學(xué)》2014年碩士論文

【摘要】：隨著互聯(lián)網(wǎng)的使用量逐漸增加,網(wǎng)絡(luò)種類逐漸繁多,信息數(shù)據(jù)越來越龐大并且呈現(xiàn)出多變的動(dòng)態(tài)特性,如何精確地對(duì)網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè)從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)運(yùn)行狀態(tài)的有效管理,成為一個(gè)日益重要的問題。其中,如何建立一個(gè)精確而高效的流量預(yù)測(cè)模型是解決該問題的重點(diǎn)和難點(diǎn),其對(duì)于網(wǎng)絡(luò)的測(cè)試、流量的控制以及網(wǎng)絡(luò)的設(shè)計(jì)規(guī)劃和質(zhì)量保證等問題的研究,都有重要的意義。本文主要對(duì)網(wǎng)絡(luò)流量預(yù)測(cè)模型進(jìn)行研究和設(shè)計(jì),具體工作有三個(gè)方面:(1)介紹了網(wǎng)絡(luò)流量預(yù)測(cè)的起源、發(fā)展?fàn)顩r及其研究的意義,同時(shí)對(duì)網(wǎng)絡(luò)流量所具有的特性進(jìn)行了分析和描述;(2)重點(diǎn)介紹了小波分解理論和BP神經(jīng)網(wǎng)絡(luò)的工作原理,并對(duì)兩者組合而成的小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network,WNN)進(jìn)行了介紹,同時(shí)著重分析了基于GA算法的WNN預(yù)測(cè)模型;(3)針對(duì)基于GA算法優(yōu)化的WNN預(yù)測(cè)模型存在的不足,本文提出用具有正反饋機(jī)制和啟發(fā)式學(xué)習(xí)特點(diǎn)的蟻群算法(Ant Colony Optimization,ACO)代替GA算法,形成一種基于ACO算法優(yōu)化的WNN預(yù)測(cè)模型—WACONN預(yù)測(cè)模型。該模型為了克服BP算法在網(wǎng)絡(luò)訓(xùn)練過程中對(duì)初始權(quán)值、閾值比較敏感,且容易陷入局部最優(yōu)解的缺點(diǎn),提出將ACO算法與BP算法相結(jié)合形成ACO-BP算法:首先利用ACO算法的全局尋優(yōu)能力為BP神經(jīng)網(wǎng)絡(luò)提供較適合的初始權(quán)值和閾值,以降低BP算法由于對(duì)初始值設(shè)置不同而產(chǎn)生較大的差異性、且容易陷于最優(yōu)解等缺點(diǎn),再利用BP算法進(jìn)一步迭代尋取全局最優(yōu)解。在進(jìn)行仿真實(shí)驗(yàn)過程中,該模型首先利用同時(shí)具有時(shí)、頻域描述特性的小波變換,將數(shù)據(jù)樣本分解成高頻分量和低頻分量;然后利用高、低頻分量的訓(xùn)練集部分對(duì)基于ACO優(yōu)化的WNN預(yù)測(cè)模型進(jìn)行訓(xùn)練;接下來,將高、低頻分量的預(yù)測(cè)集部分輸入訓(xùn)練好的模型,進(jìn)行預(yù)測(cè);最后將預(yù)測(cè)得出的高、低頻數(shù)據(jù)分量相疊加,得出最終的預(yù)測(cè)結(jié)果。實(shí)驗(yàn)數(shù)據(jù)表明,與基于GA算法優(yōu)化的WNN預(yù)測(cè)模型相比,本文提出的基于ACO算法優(yōu)化的WNN預(yù)測(cè)模型具有更好的預(yù)測(cè)精度和更快的網(wǎng)絡(luò)收斂速度,是一種更有效的預(yù)測(cè)模型。
[Abstract]:With the increasing use of the Internet, the variety of the network is becoming more and more numerous, the information data is becoming more and more large and showing dynamic characteristics, how to accurately predict the network traffic so as to realize the effective management of the network running state.Become an increasingly important issue.Among them, how to establish an accurate and efficient traffic prediction model is the key and difficult point to solve this problem. It is of great significance to the research of network testing, traffic control, network design, planning and quality assurance.This paper mainly studies and designs the network traffic forecasting model, and introduces the origin, development and significance of network traffic forecasting in three aspects.At the same time, the characteristics of network traffic are analyzed and described. (2) the wavelet decomposition theory and the working principle of BP neural network are emphatically introduced, and the wavelet Neural network WNN which is composed of the two neural networks is introduced.At the same time, the WNN prediction model based on GA algorithm is analyzed emphatically. Aiming at the shortcomings of WNN prediction model optimized by GA algorithm, this paper proposes to replace GA algorithm with ant colony algorithm with positive feedback mechanism and heuristic learning characteristics.A WNN prediction model-WACONN model based on ACO algorithm optimization was developed.In order to overcome the shortcomings of BP algorithm which is sensitive to initial weights and easy to fall into local optimal solution in the course of network training.A ACO-BP algorithm is proposed by combining ACO algorithm with BP algorithm. Firstly, the global optimization ability of ACO algorithm is used to provide a suitable initial weight and threshold for BP neural network.In order to reduce the disadvantages of BP algorithm because of the difference of initial value and easy to be trapped in the optimal solution, BP algorithm is used to find the global optimal solution.In the course of simulation experiment, the model firstly decomposes the data sample into high frequency component and low frequency component by wavelet transform with simultaneous time and frequency domain description characteristics, and then uses high frequency component.The training set of the low frequency component trains the WNN prediction model based on ACO optimization. Then, the high and low frequency component prediction sets are input into the trained model to forecast.The low frequency data components are superposed and the final prediction results are obtained.Experimental data show that compared with the WNN prediction model optimized by GA algorithm, the proposed WNN prediction model based on ACO algorithm has better prediction accuracy and faster network convergence speed, so it is a more effective prediction model.
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP393.06;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 文成林,王雪,侯玉華;自回歸過程的小波神經(jīng)網(wǎng)絡(luò)逼近算法[J];河南大學(xué)學(xué)報(bào)(自然科學(xué)版);2000年01期

2 萬建,徐德民,賀昱曜;一種小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其學(xué)習(xí)算法研究[J];系統(tǒng)工程與電子技術(shù);2002年03期

3 任少龍,鐘秋海,嚴(yán)承華;小波神經(jīng)網(wǎng)絡(luò)在裝備研制費(fèi)預(yù)測(cè)與控制中的應(yīng)用[J];海軍工程大學(xué)學(xué)報(bào);2002年05期

4 李躍華,張勝,高敦堂,李興國(guó);基于小波神經(jīng)網(wǎng)絡(luò)的毫米波雷達(dá)目標(biāo)距離像識(shí)別(英文)[J];紅外與毫米波學(xué)報(bào);2002年01期

5 董杰,馬壯,吳云,李嘉林;遺傳小波神經(jīng)網(wǎng)絡(luò)在飛機(jī)加油管路設(shè)計(jì)中的應(yīng)用[J];機(jī)械科學(xué)與技術(shù);2002年S1期

6 趙學(xué)智,鄒春華,陳統(tǒng)堅(jiān),葉邦彥,彭永紅;小波神經(jīng)網(wǎng)絡(luò)的參數(shù)初始化研究[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年02期

7 楊春玲,楊茂華,胡艷,戴景民;小波神經(jīng)網(wǎng)絡(luò)在多波長(zhǎng)輻射測(cè)溫中的應(yīng)用[J];計(jì)量學(xué)報(bào);2003年04期

8 李益國(guó),沈炯,呂震中;一種新的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法[J];控制理論與應(yīng)用;2003年03期

9 盛景泉,付夢(mèng)印,劉永信;采用小波神經(jīng)網(wǎng)絡(luò)的捷聯(lián)慣導(dǎo)系統(tǒng)靜基座快速初始對(duì)準(zhǔn)[J];內(nèi)蒙古大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年04期

10 向小東;小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法及其應(yīng)用[J];統(tǒng)計(jì)與決策;2003年07期

相關(guān)會(huì)議論文 前10條

1 胡博;陶文華;崔博;白一彤;尹旭;;基于小波神經(jīng)網(wǎng)絡(luò)的異步電機(jī)故障診斷[A];2009中國(guó)控制與決策會(huì)議論文集（2）[C];2009年

2 何正友;錢清泉;;一種改進(jìn)小波神經(jīng)網(wǎng)絡(luò)模型在電力故障信號(hào)識(shí)別中的應(yīng)用[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

3 魯艷軍;陳漢新;陳緒兵;;基于小波神經(jīng)網(wǎng)絡(luò)的齒輪裂紋故障診斷[A];節(jié)能減排 綠色制造 智能制造——低碳經(jīng)濟(jì)下高技術(shù)制造產(chǎn)業(yè)與智能制造發(fā)展論壇論文集[C];2010年

4 董健;尹萌;張輝;;小波神經(jīng)網(wǎng)絡(luò)結(jié)合多項(xiàng)式的混合預(yù)測(cè)方法在通信規(guī)劃中的應(yīng)用[A];2011全國(guó)無線及移動(dòng)通信學(xué)術(shù)大會(huì)論文集[C];2011年

5 謝建宏;張為公;;復(fù)合材料疲勞剩余壽命預(yù)測(cè)的動(dòng)態(tài)小波神經(jīng)網(wǎng)絡(luò)方法[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

6 陳建秋;張新政;;基于小波神經(jīng)網(wǎng)絡(luò)的水質(zhì)預(yù)測(cè)應(yīng)用研究[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

7 孫正貴;;小波神經(jīng)網(wǎng)絡(luò)的高效學(xué)習(xí)算法及應(yīng)用研究[A];中南六省（區(qū)）自動(dòng)化學(xué)會(huì)第24屆學(xué)術(shù)年會(huì)會(huì)議論文集[C];2006年

8 黃敏;朱啟兵;崔寶同;;基于小波神經(jīng)網(wǎng)絡(luò)的軋機(jī)特性回歸[A];2007中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

9 周紹磊;張文廣;李新;;一種基于改進(jìn)遺傳算法的小波神經(jīng)網(wǎng)絡(luò)[A];2007年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2007年

10 杜青;劉劍飛;劉娟;喬延華;;基于小波神經(jīng)網(wǎng)絡(luò)的模擬調(diào)制信號(hào)自動(dòng)識(shí)別[A];2007通信理論與技術(shù)新發(fā)展——第十二屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 侯霞;小波神經(jīng)網(wǎng)絡(luò)若干關(guān)鍵問題研究[D];南京航空航天大學(xué);2006年

2 章文俊;小波神經(jīng)網(wǎng)絡(luò)算法及其船舶運(yùn)動(dòng)控制應(yīng)用研究[D];大連海事大學(xué);2014年

3 高協(xié)平;小波參數(shù)化與小波神經(jīng)網(wǎng)絡(luò)研究[D];湖南大學(xué);2003年

4 宋清昆;自適應(yīng)結(jié)構(gòu)優(yōu)化神經(jīng)網(wǎng)絡(luò)控制研究[D];哈爾濱理工大學(xué);2009年

5 李永紅;廣義小波神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)雷達(dá)相關(guān)濾波的研究[D];大連海事大學(xué);2000年

6 銀俊成;量子信道與量子小波神經(jīng)網(wǎng)絡(luò)相關(guān)問題研究[D];陜西師范大學(xué);2013年

7 李文軍;多小波和小波神經(jīng)網(wǎng)絡(luò)構(gòu)造及其在電弧故障診斷中的應(yīng)用研究[D];吉林大學(xué);2008年

8 劉守生;遺傳算法與小波神經(jīng)網(wǎng)絡(luò)中若干問題的研究[D];南京航空航天大學(xué);2005年

9 黃同成;基于小波神經(jīng)網(wǎng)絡(luò)理論的VOCR與HOCR技術(shù)研究[D];上海大學(xué);2008年

10 蔡振禹;基于粗集—小波神經(jīng)網(wǎng)絡(luò)的煤炭企業(yè)管理研究[D];天津大學(xué);2007年

，

本文編號(hào)：1726431