隨著互聯(lián)網(wǎng)的迅速發(fā)展，互聯(lián)網(wǎng)應(yīng)用不斷推陳出新，網(wǎng)絡(luò)系統(tǒng)日益復(fù)雜。為了更好的控制網(wǎng)絡(luò)行為、配置網(wǎng)絡(luò)資源，應(yīng)對(duì)網(wǎng)絡(luò)攻擊，也為了設(shè)計(jì)出更合理的互聯(lián)網(wǎng)系統(tǒng)，就需要對(duì)復(fù)雜的網(wǎng)絡(luò)行為進(jìn)行分析和預(yù)測(cè)。網(wǎng)絡(luò)流量的建模與預(yù)測(cè)對(duì)于監(jiān)測(cè)網(wǎng)絡(luò)行為、保證網(wǎng)絡(luò)安全有著非常重要的意義。當(dāng)前的研究表明，網(wǎng)絡(luò)流量序列呈現(xiàn)出復(fù)雜的特性，如自相似性、長(zhǎng)相關(guān)性、多重分形性等，且傳統(tǒng)的網(wǎng)絡(luò)流量預(yù)測(cè)方法和模型已經(jīng)難以刻畫日益復(fù)雜多變的互聯(lián)網(wǎng)行為了。論文對(duì)網(wǎng)絡(luò)流量的復(fù)雜特性進(jìn)行了簡(jiǎn)單的介紹，并從線性模型、非線性模型、組合模型三個(gè)角度分析了傳統(tǒng)的網(wǎng)絡(luò)流量預(yù)測(cè)模型的特點(diǎn)，對(duì)比了這些模型的優(yōu)缺點(diǎn)。機(jī)器學(xué)習(xí)方法中的支持向量回歸機(jī)算法是進(jìn)行網(wǎng)絡(luò)流量預(yù)測(cè)的重要智能方法，論文先對(duì)機(jī)器學(xué)習(xí)和支持向量回歸機(jī)預(yù)測(cè)方法進(jìn)行了簡(jiǎn)單的介紹，然后提出了兩種基于它的改進(jìn)模型。針對(duì)支持向量回歸機(jī)預(yù)測(cè)模型的參數(shù)選擇方法上的不足，將一種新穎高效的智能搜索算法-全局人工魚群算法運(yùn)用于支持向量回歸機(jī)的參數(shù)擇優(yōu)過(guò)程中，選擇出使支持向量回歸機(jī)的預(yù)測(cè)效果最好的一組參數(shù)，建立預(yù)測(cè)模型，并將這種模型運(yùn)用于網(wǎng)絡(luò)流量預(yù)測(cè)當(dāng)中。仿真實(shí)驗(yàn)表明，這種預(yù)測(cè)模型與其它兩類通過(guò)優(yōu)化支持向量回歸機(jī)... 

【文章來(lái)源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過(guò)程

圖 3 -1 B P 神 經(jīng)網(wǎng) 絡(luò) 的 典型 結(jié) 構(gòu) 論 的 基 礎(chǔ)是 統(tǒng) 計(jì) 學(xué) 習(xí)理 論 中 的 VC 維理 論與 結(jié) 構(gòu) 況 下， 在 算法 的復(fù) 雜 度 和 學(xué)習(xí) 能 力之 間取 得 一 個(gè) 模 型的 泛 化能 力最 強(qiáng) 。 而 支持 向 量集 理論 即 是 將 值 。 支持 向 量機(jī) 具 有 以下 的 幾個(gè) 主 要 優(yōu)點(diǎn) ： 機(jī) 的 適 用 條件 是 有 限的 樣 本 集， 得到 的 也是 有 限 樣 要很 大 的 樣本 集 。 機(jī) 算 法 最 終轉(zhuǎn) 換 為 一個(gè) 二 次 尋優(yōu) 問 題， 得 到 全 局 最機(jī) 通 過(guò) 核 函數(shù) 將 數(shù) 據(jù)從 低 維 空間 映 射 到 高維 特 征 變 換， 從 而解 決復(fù) 雜 的 維 數(shù)問 題 ，而 該算 法 的 復(fù) 雜 有很 好 的 泛 化能 力 。 機(jī) 時(shí) ，定 義 不 同的 核 函 數(shù)， 可 以 實(shí) 現(xiàn)現(xiàn) 有 的 許多

江南 大學(xué) 碩 士學(xué) 位 論 文 .4 支 持 向 量 回 歸 機(jī) 網(wǎng) 絡(luò) 流 量 預(yù) 測(cè) 模 型. 4 .1 支 持 向量 回 歸 機(jī)算 法 上一 章 已 經(jīng)介 紹 了 支 持向 量 機(jī) 的 基本 原 理 ，即 使 用 結(jié) 構(gòu)風(fēng) 險(xiǎn) 化 原則 來(lái) 代 替 原本 的 風(fēng) 小 化原 則 ，使 算 法適 用于 小 樣本 集 的學(xué) 習(xí) 問題 。 支持 向 量 機(jī)算 法 的 基 本思 想 是： 利 用 一 個(gè) 非線 性 映 射 ，把 數(shù) 據(jù) 映射 到 一 個(gè) 高維 的 空 間 里， 即 把 一 個(gè) 低維 度 的非 線性 的 問 題 轉(zhuǎn)化 成 一個(gè) 高維 度 的 線 性問 題 ， 免 去了 在 空 間計(jì) 算 復(fù)雜 的 點(diǎn) 積 運(yùn)算 。 如圖 3- 2 所示

【參考文獻(xiàn)】：
期刊論文
[1]基于支持向量回歸機(jī)的股票價(jià)格預(yù)測(cè)[J]. 謝國(guó)強(qiáng).  計(jì)算機(jī)仿真. 2012(04)
[2]基于多元線性自回歸模型的流量預(yù)測(cè)[J]. 黨小超,閻林.  計(jì)算機(jī)工程. 2012(01)
[3]Elman神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)[J]. 侯家利.  計(jì)算機(jī)仿真. 2011(07)
[4]基于混沌粒子群優(yōu)化SVR的網(wǎng)絡(luò)流量預(yù)測(cè)[J]. 王治.  計(jì)算機(jī)仿真. 2011(05)
[5]ARIMA模型在網(wǎng)絡(luò)流量預(yù)測(cè)中的應(yīng)用研究[J]. 張冉,趙成龍.  計(jì)算機(jī)仿真. 2011(02)
[6]集成灰色支持向量機(jī)預(yù)測(cè)模型研究與應(yīng)用[J]. 林耀進(jìn),周忠眉,吳順祥.  計(jì)算機(jī)應(yīng)用. 2009(12)
[7]基于SVR的組合預(yù)測(cè)模型及其應(yīng)用[J]. 劉顯德,高泓.  計(jì)算機(jī)工程與設(shè)計(jì). 2009(19)
[8]基于ARMA模型的網(wǎng)絡(luò)流量預(yù)測(cè)[J]. 段智彬,孫恩昌,張延華,董燕.  中國(guó)電子科學(xué)研究院學(xué)報(bào). 2009(04)
[9]支持向量機(jī)回歸的碳通量預(yù)測(cè)[J]. 陳強(qiáng),吳慕春,薛月菊,楊敬鋒,劉國(guó)瑛.  計(jì)算機(jī)工程與應(yīng)用. 2009(21)
[10]自適應(yīng)參數(shù)的AOSVR算法及其在股票預(yù)測(cè)中應(yīng)用[J]. 吳微,張凌.  大連理工大學(xué)學(xué)報(bào). 2009(04)

博士論文
[1]最小二乘支持向量機(jī)建模及預(yù)測(cè)控制算法研究[D]. 李麗娟.浙江大學(xué) 2008

碩士論文
[1]基于混沌時(shí)間序列分析與支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)[D]. 謝渺.西華大學(xué) 2009
[2]混沌時(shí)間序列預(yù)測(cè)模型研究[D]. 周金勇.武漢理工大學(xué) 2009
[3]網(wǎng)絡(luò)流量自相似特性與預(yù)測(cè)研究[D]. 胡大民.浙江大學(xué) 2008
[4]基于支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)研究[D]. 李麗.南京理工大學(xué) 2007
[5]基于聯(lián)合神經(jīng)網(wǎng)絡(luò)的流量預(yù)測(cè)模型[D]. 馮海亮.山東大學(xué) 2007
[6]混沌時(shí)間序列預(yù)測(cè)方法及其應(yīng)用[D]. 孟慶芳.山東大學(xué) 2005



本文編號(hào)：3432304