隨著互聯(lián)網(wǎng)業(yè)務(wù)范圍的不斷擴(kuò)大和互聯(lián)網(wǎng)用戶的急劇增多,互聯(lián)網(wǎng)壓力日益增大。具有良好的網(wǎng)絡(luò)感知能力和智能決策能力的新型未來網(wǎng)絡(luò)逐步成為了業(yè)界研究的熱點(diǎn)。網(wǎng)絡(luò)流量感知作為網(wǎng)絡(luò)感知能力的一大重點(diǎn),能夠極大地提高服務(wù)質(zhì)量和網(wǎng)絡(luò)性能。網(wǎng)絡(luò)流量的短期或者長期預(yù)測對于網(wǎng)絡(luò)控制和網(wǎng)絡(luò)資源調(diào)整大有裨益。通過針對歷史流量數(shù)據(jù)的分析和預(yù)測,相應(yīng)調(diào)整網(wǎng)絡(luò)資源的分配,可以有效地提高和改善網(wǎng)絡(luò)性能。 首先,本文將給出論文的背景介紹,分為三個方面。一是對未來網(wǎng)絡(luò)架構(gòu)下新型網(wǎng)絡(luò)的研究背景介紹；二是網(wǎng)絡(luò)流量的定義和網(wǎng)絡(luò)流量預(yù)測研究現(xiàn)狀；三是神經(jīng)網(wǎng)絡(luò)的介紹以及將神經(jīng)網(wǎng)絡(luò)應(yīng)用于網(wǎng)絡(luò)流量預(yù)測方面的研究現(xiàn)狀。 其次,本文將關(guān)注神經(jīng)網(wǎng)絡(luò)中回聲狀態(tài)網(wǎng)絡(luò)(ESN, Echo State Network)的研究,引入最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)模型(MCESN, Minimum Complexity Echo State Network),通過改變回聲狀態(tài)網(wǎng)絡(luò)動態(tài)池神經(jīng)元組成,提出了兩種新型最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)預(yù)測算法：小波注入式最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)預(yù)測算法和全小波最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)預(yù)測算法。 再次,本文將使用真實(shí)網(wǎng)絡(luò)流量數(shù)據(jù)等數(shù)據(jù)集...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題選題意義
    1.2 課題研究背景
        1.2.1 未來網(wǎng)絡(luò)技術(shù)
        1.2.2 網(wǎng)絡(luò)流量研究背景
        1.2.3 網(wǎng)絡(luò)資源預(yù)測技術(shù)研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 基于神經(jīng)網(wǎng)絡(luò)的混沌時間序列預(yù)測基本理論
    2.1 混沌系統(tǒng)
        2.1.1 混沌的定義
        2.1.2 混沌的特性
        2.1.3 混沌的判定方法
    2.2 時間序列的預(yù)測
    2.3 神經(jīng)網(wǎng)絡(luò)模型
        2.3.1 神經(jīng)網(wǎng)絡(luò)的定義
        2.3.2 神經(jīng)網(wǎng)絡(luò)的性質(zhì)和能力
        2.3.3 神經(jīng)元模型
        2.3.4 網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.5 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程
    2.4 本章小結(jié)
第三章 小波注入式最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)預(yù)測算法
    3.1 回聲狀態(tài)網(wǎng)絡(luò)模型
        3.1.1 回聲狀態(tài)網(wǎng)絡(luò)的引入
        3.1.2 回聲狀態(tài)網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.3 回聲狀態(tài)網(wǎng)絡(luò)訓(xùn)練過程
        3.1.4 回聲狀態(tài)網(wǎng)絡(luò)的研究方向
    3.2 最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)模型
    3.3 小波注入式最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)模型
        3.3.1 小波神經(jīng)元的引入
        3.3.2 小波神經(jīng)元的選擇
        3.3.3 混合環(huán)形動態(tài)池
    3.4 小波注入式最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)預(yù)測算法性能仿真與分析
        3.4.1 實(shí)驗數(shù)據(jù)集
        3.4.2 訓(xùn)練和測試
        3.4.3 不同動態(tài)池規(guī)模下模型預(yù)測能力的比較
        3.4.4 不同動態(tài)池譜半徑下模型預(yù)測能力的比較
        3.4.5 輸入權(quán)重v和動態(tài)池權(quán)重r對預(yù)測能力的影響
        3.4.6 記憶能力的比較
        3.4.7 輸入權(quán)重的符號分布對預(yù)測精度的影響
        3.4.8 小波神經(jīng)元注入比例對預(yù)測能力的影響
        3.4.9 普通神經(jīng)元和小波神經(jīng)元的不同拓?fù)浣M合對預(yù)測能力的影響
    3.5 本章小結(jié)
第四章 全小波最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)預(yù)測算法
    4.1 全小波最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)模型
        4.1.1 全小波最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)模型的引入
        4.1.2 WMCESN網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.3 小波參數(shù)矩陣
    4.2 全小波最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)預(yù)測算法性能仿真與分析
        4.2.1 WMCESN訓(xùn)練與測試
        4.2.2 不同動態(tài)池規(guī)模下模型預(yù)測能力和計算時間的比較
        4.2.3 有效譜半徑范圍比較
        4.2.4 魯棒性比較
        4.2.5 小波參數(shù)矩陣規(guī)模對模型預(yù)測精度的影響
    4.3 全小波最小復(fù)雜度回聲狀態(tài)網(wǎng)絡(luò)預(yù)測算法的局限性
    4.4 本章小結(jié)
第五章 基于WMCESN的未來網(wǎng)絡(luò)流量預(yù)測方案
    5.1 方案設(shè)計
    5.2 WMCESN預(yù)測算法與BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法的比較
    5.3 本章小結(jié)
第六章 結(jié)束語
縮略語
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表或已經(jīng)錄用的學(xué)術(shù)論文



本文編號：3777039