本文關(guān)鍵詞：基于Bass和PSO的移動(dòng)互聯(lián)網(wǎng)擴(kuò)散趨勢(shì)預(yù)測(cè)，，由筆耕文化傳播整理發(fā)布。

【摘要】：移動(dòng)互聯(lián)網(wǎng)是移動(dòng)通信在發(fā)展過程中和互聯(lián)網(wǎng)融合后的產(chǎn)物,現(xiàn)在已經(jīng)為人們生活、工作的各個(gè)方面帶來便利,具有很大的發(fā)展?jié)摿ΑＱ芯恳苿?dòng)互聯(lián)網(wǎng)的用戶數(shù)量增長(zhǎng)情況并準(zhǔn)確預(yù)測(cè)其未來發(fā)展趨勢(shì),可以為產(chǎn)業(yè)的發(fā)展提供指導(dǎo)意見。采用Bass創(chuàng)新擴(kuò)散模型可以預(yù)測(cè)移動(dòng)互聯(lián)網(wǎng)的用戶數(shù)量增長(zhǎng)趨勢(shì)。由于模型的參數(shù)不容易確定,采用了一個(gè)慣性權(quán)重非線性變化的粒子群優(yōu)化算法,利用該算法對(duì)Bass模型的參數(shù)尋優(yōu)。改進(jìn)之后的粒子群優(yōu)化算法能夠大幅度提高求解精度,Bass模型能夠準(zhǔn)確預(yù)測(cè)用戶數(shù)量增長(zhǎng)趨勢(shì)。為了進(jìn)一步提高預(yù)測(cè)精度,將Bass模型和粒子群優(yōu)化算法進(jìn)行改進(jìn),將Bass模型的三個(gè)參數(shù)都表示為隨時(shí)間變化的函數(shù)。為了得到精確參數(shù)值,提出一種新的粒子群優(yōu)化算法,該算法在初始化階段和運(yùn)行過程中使用反向?qū)W習(xí)策略以增加種群多樣性。引入種群密集度指標(biāo)來判斷種群當(dāng)前的收斂狀態(tài),并以此結(jié)果決定是否執(zhí)行變異策略。當(dāng)算法停留在局部最優(yōu)時(shí),對(duì)全局最優(yōu)的粒子執(zhí)行柯西和高斯混合變異,使種群尋找全局最優(yōu)解。實(shí)驗(yàn)結(jié)果展示出改進(jìn)后的粒子群優(yōu)化算法的優(yōu)點(diǎn)是更高的求解精度和更快的收斂速度,很好的解決了以前存在的陷入局部最優(yōu)的問題。改進(jìn)之后的Bass模型能夠更準(zhǔn)確的預(yù)測(cè)移動(dòng)互聯(lián)網(wǎng)擴(kuò)散趨勢(shì)。
【關(guān)鍵詞】：移動(dòng)互聯(lián)網(wǎng) 粒子群算法 Bass模型 反向?qū)W習(xí) 混合變異 擴(kuò)散趨勢(shì)預(yù)測(cè)
【學(xué)位授予單位】：新疆大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP393.01;TN929.5
【目錄】：

• 摘要2-3
• Abstract3-6
• 第一章 緒論6-12
• 1.1 選題背景及研究意義6-7
• 1.1.1 選題背景6-7
• 1.1.2 研究意義7
• 1.2 國內(nèi)外研究現(xiàn)狀7-10
• 1.2.1 國外研究現(xiàn)狀7-9
• 1.2.2 國內(nèi)研究現(xiàn)狀9-10
• 1.3 研究的主要內(nèi)容10
• 1.4 論文章節(jié)安排10-12
• 第二章 移動(dòng)互聯(lián)網(wǎng)擴(kuò)散趨勢(shì)預(yù)測(cè)理論基礎(chǔ)12-16
• 2.1 移動(dòng)互聯(lián)網(wǎng)擴(kuò)散預(yù)測(cè)12-13
• 2.2 常用的預(yù)測(cè)模型13-16
• 2.2.1 自回歸滑動(dòng)平均13
• 2.2.2 人工神經(jīng)網(wǎng)絡(luò)13-14
• 2.2.3 支持向量機(jī)14-15
• 2.2.4 組合預(yù)測(cè)15-16
• 第三章 基于Bass模型的移動(dòng)互聯(lián)網(wǎng)擴(kuò)散趨勢(shì)預(yù)測(cè)16-24
• 3.1 引言16
• 3.2 Bass模型16-18
• 3.2.1 模型原理16-17
• 3.2.2 模型參數(shù)估計(jì)17-18
• 3.3 粒子群優(yōu)化算法18-20
• 3.3.1 算法原理18-19
• 3.3.2 非線性慣性權(quán)重19-20
• 3.4 算法實(shí)現(xiàn)過程20-21
• 3.5 仿真結(jié)果與分析21-22
• 3.6 本章小結(jié)22-24
• 第四章 基于改進(jìn)的粒子群算法的移動(dòng)互聯(lián)網(wǎng)擴(kuò)散預(yù)測(cè)24-33
• 4.1 引言24
• 4.2 改進(jìn)的Bass模型24-25
• 4.3 改進(jìn)的粒子群優(yōu)化算法25-28
• 4.3.1 反向?qū)W習(xí)策略26
• 4.3.2 混合變異策略26-28
• 4.3.3 慣性權(quán)重動(dòng)態(tài)調(diào)整策略28
• 4.4 算法實(shí)現(xiàn)過程28-29
• 4.5 仿真結(jié)果與分析29-32
• 4.5.1 算法性能檢驗(yàn)29-30
• 4.5.2 移動(dòng)互聯(lián)網(wǎng)擴(kuò)散仿真結(jié)果及分析30-32
• 4.6 本章小結(jié)32-33
• 第五章 總結(jié)與展望33-35
• 5.1 論文總結(jié)33
• 5.2 論文展望33-35
• 參考文獻(xiàn)35-40
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文40-41
• 致謝41-42

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 廖軍;王蓓蓓;高一維;;移動(dòng)互聯(lián)網(wǎng)終端發(fā)展研究[J];移動(dòng)通信;2012年Z1期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 宋貴彩;基于ARMA模型的結(jié)構(gòu)識(shí)別[D];重慶大學(xué);2005年

  本文關(guān)鍵詞：基于Bass和PSO的移動(dòng)互聯(lián)網(wǎng)擴(kuò)散趨勢(shì)預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：329554