隨著計(jì)算機(jī)網(wǎng)絡(luò)和數(shù)據(jù)科學(xué)的不斷發(fā)展,傳統(tǒng)的網(wǎng)絡(luò)分析和管理已暴露自身短板,現(xiàn)階段著眼于網(wǎng)絡(luò)運(yùn)行態(tài)勢(shì)情況建立完整的感知模型已成為該領(lǐng)域的新需求,因此提出網(wǎng)絡(luò)運(yùn)行態(tài)勢(shì)感知這樣一個(gè)研究的核心問題。網(wǎng)絡(luò)運(yùn)行態(tài)勢(shì)感知將通過(guò)對(duì)態(tài)勢(shì)重要因子的獲取、處理、分析、預(yù)測(cè)等一系列工作,來(lái)判斷網(wǎng)絡(luò)整體運(yùn)行情況以及后續(xù)調(diào)整網(wǎng)絡(luò)資源。在該過(guò)程中,結(jié)合網(wǎng)絡(luò)數(shù)據(jù)本身的模糊性、大量性等特點(diǎn),采用模糊邏輯方法對(duì)網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)進(jìn)行分析,借鑒人工智能方法對(duì)其進(jìn)行建模,都將是網(wǎng)絡(luò)運(yùn)行態(tài)勢(shì)感知研究必然的新方向。因此,本文圍繞網(wǎng)絡(luò)運(yùn)行態(tài)勢(shì)感知這一研究核心,完善了網(wǎng)絡(luò)運(yùn)行態(tài)勢(shì)感知模型的建立和指標(biāo)的選取,提出了主成分分析賦權(quán)和模糊邏輯的綜合評(píng)價(jià)方法,采用了模糊神經(jīng)網(wǎng)絡(luò)方法對(duì)態(tài)勢(shì)感知建立分析模型,聚焦于建模過(guò)程中學(xué)習(xí)參數(shù)算法進(jìn)行了理論研究和實(shí)驗(yàn)仿真。本文的主要內(nèi)容概括如下:1、網(wǎng)絡(luò)運(yùn)行態(tài)勢(shì)評(píng)估。首先,本文提出了完整的態(tài)勢(shì)感知模型,結(jié)合網(wǎng)絡(luò)拓?fù)湫畔⒑途W(wǎng)絡(luò)流量信息選取出了網(wǎng)絡(luò)運(yùn)行情況的重要指標(biāo)。緊接著使用主成分分析的客觀賦權(quán)法對(duì)多個(gè)指標(biāo)分別賦權(quán),以及利用模糊評(píng)估法對(duì)每個(gè)指標(biāo)數(shù)據(jù)進(jìn)行評(píng)估,綜合指標(biāo)權(quán)重向量和評(píng)估得到的模糊關(guān)系矩陣,計(jì)算得到代表網(wǎng)絡(luò)... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

T-S型模型神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

第四章模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與算法設(shè)計(jì)29121,=1,2,…,;=1,2,…,1212112111212(·)前件網(wǎng)絡(luò)圖4-3本文模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在這個(gè)模糊神經(jīng)網(wǎng)絡(luò)中，層間關(guān)系如下：FNN的前件網(wǎng)絡(luò)：1、輸入層：完成數(shù)據(jù)每個(gè)特征的輸入，=1,2,…,，每條數(shù)據(jù)有n個(gè)特征構(gòu)成。2、隸屬函數(shù)層：將輸入按照隸屬函數(shù)模糊化，計(jì)算每個(gè)特征映射成為模糊集。這一層結(jié)構(gòu)的設(shè)計(jì)主要涉及隸屬函數(shù)表達(dá)式和層數(shù)的選齲本文提出將前面對(duì)于態(tài)勢(shì)評(píng)估時(shí)的模糊邏輯等級(jí)作為層數(shù)，這樣既可保證結(jié)果的一致性，從意義上也可以找到解釋，即把每個(gè)特征按數(shù)值上不同來(lái)區(qū)分類別。同理來(lái)說(shuō)，隸屬函數(shù)的選取常用的有三角形函數(shù)、梯形函數(shù)、S型函數(shù)、分段函數(shù)等。本文選取高斯函數(shù)作為隸屬函數(shù)，除了前面所提到的高斯函數(shù)很好的平滑性以外，還為了盡量得到一個(gè)具有好的擬合性的模型。隸屬函數(shù)層的輸出為(4-1)：=2i2,i=1,2,…,n;j=1,2,…,m(4-1)式中為高斯函數(shù)均值，2為方差，隸屬層數(shù)為m。3、規(guī)則層：進(jìn)行模糊規(guī)則輸出。將隸屬函數(shù)輸出的每個(gè)特征的模糊子集進(jìn)行模糊運(yùn)算，最后得到結(jié)果。模糊運(yùn)算常見的操作見下表。為了最大保證模糊集中的信息沒有遺失，考慮采用算術(shù)積的形式作為模糊規(guī)則層的運(yùn)算方法。則規(guī)則層的輸

電子科技大學(xué)碩士學(xué)位論文38圖4-8除了驗(yàn)證算法的尋優(yōu)有效性外，再對(duì)PSO-BP算法的收斂性進(jìn)行討論。圖4-9為每個(gè)粒子的平均適應(yīng)度隨全局更新的變化情況圖，仿真多次可以看出，算法具有較好的收斂性，粒子的平均適應(yīng)度不斷下降，PSO-BP算法中所有粒子在迭代過(guò)程中逐漸收斂到某一范圍的局域內(nèi)，保證了算法尋優(yōu)過(guò)程中能得到收斂。圖4-9

【參考文獻(xiàn)】：
期刊論文
[1]基于大數(shù)據(jù)的網(wǎng)絡(luò)態(tài)勢(shì)感知體系架構(gòu)[J]. 毛軍禮,汲錫林.  無(wú)線電通信技術(shù). 2018(03)
[2]基于主成分分析構(gòu)建指標(biāo)權(quán)重的客觀賦權(quán)法[J]. 顏惠琴,牛萬(wàn)紅,韓惠麗.  濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(06)
[3]網(wǎng)絡(luò)運(yùn)行態(tài)勢(shì)感知技術(shù)及其模型[J]. 柏駿,夏靖波,鐘赟,陳珍.  解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(01)
[4]基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢(shì)感知[J]. 謝麗霞,王亞超,于巾博.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(12)
[5]網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)的廣義回歸神經(jīng)網(wǎng)絡(luò)模型[J]. 卓瑩,張強(qiáng),龔正虎.  解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(02)
[6]基于態(tài)勢(shì)熵的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估指標(biāo)體系研究[J]. 唐成華,王鑫,張瑞霞,王勇,強(qiáng)保華.  桂林電子科技大學(xué)學(xué)報(bào). 2011(04)
[7]基于HHGA-RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型[J]. 孟錦,馬馳,何加浪,張宏.  計(jì)算機(jī)科學(xué). 2011(07)
[8]網(wǎng)絡(luò)態(tài)勢(shì)感知研究[J]. 龔正虎,卓瑩.  軟件學(xué)報(bào). 2010(07)
[9]網(wǎng)絡(luò)安全態(tài)勢(shì)感知關(guān)鍵實(shí)現(xiàn)技術(shù)研究[J]. 王慧強(qiáng),賴積保,胡明明,梁穎.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2008(10)
[10]網(wǎng)絡(luò)態(tài)勢(shì)感知中的指標(biāo)體系研究[J]. 王娟,張鳳荔,傅翀,陳麗莎.  計(jì)算機(jī)應(yīng)用. 2007(08)

博士論文
[1]基于拓?fù)洹ち髁客诰虻木W(wǎng)絡(luò)態(tài)勢(shì)感知技術(shù)研究[D]. 卓瑩.國(guó)防科學(xué)技術(shù)大學(xué) 2010
[2]粒子群優(yōu)化算法的改進(jìn)及應(yīng)用[D]. 王俊偉.東北大學(xué) 2006

碩士論文
[1]基于模糊神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)運(yùn)行態(tài)勢(shì)感知關(guān)鍵技術(shù)研究[D]. 付鐘楊.電子科技大學(xué) 2019
[2]基于改進(jìn)PSO算法的模糊神經(jīng)網(wǎng)絡(luò)研究[D]. 張彩云.哈爾濱理工大學(xué) 2014
[3]基于改進(jìn)GA的模糊神經(jīng)網(wǎng)絡(luò)參數(shù)學(xué)習(xí)算法及其應(yīng)用的研究[D]. 張芳.中南大學(xué) 2007



本文編號(hào)：3482783