發(fā)布時(shí)間：2017-07-14 12:35

  本文關(guān)鍵詞：基于回聲狀態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)研究

  更多相關(guān)文章： 網(wǎng)絡(luò)流量預(yù)測(cè) 回聲狀態(tài)網(wǎng)絡(luò) 共生生物搜索 集合經(jīng)驗(yàn)?zāi)B(tài)分解 混沌局部搜索

【摘要】：網(wǎng)絡(luò)流量是通過網(wǎng)絡(luò)所傳輸?shù)臄?shù)據(jù)量。由于網(wǎng)絡(luò)流量蘊(yùn)涵了網(wǎng)絡(luò)運(yùn)行時(shí)的關(guān)鍵信息,是管理和優(yōu)化網(wǎng)絡(luò)的重要基礎(chǔ)數(shù)據(jù),因此對(duì)網(wǎng)絡(luò)流量的分析與預(yù)測(cè)十分重要。隨著網(wǎng)絡(luò)業(yè)務(wù)的不斷豐富,網(wǎng)絡(luò)流量也呈現(xiàn)出越來越錯(cuò)綜復(fù)雜的特性。利用網(wǎng)絡(luò)流量預(yù)測(cè)模型,可以幫助人們提前感知網(wǎng)絡(luò)未來的態(tài)勢(shì),這對(duì)于網(wǎng)絡(luò)規(guī)劃、資源配置和網(wǎng)絡(luò)安全等關(guān)鍵技術(shù)的發(fā)展具有深遠(yuǎn)的影響。如何建立一個(gè)既高效又準(zhǔn)確的模型來預(yù)測(cè)網(wǎng)絡(luò)流量已經(jīng)成為了一個(gè)具有挑戰(zhàn)性的研究熱點(diǎn)。作為一種廣受關(guān)注的新型遞歸人工神經(jīng)網(wǎng)絡(luò),回聲狀態(tài)網(wǎng)絡(luò)(Echo State Network,ESN)具有計(jì)算高效且易于使用的優(yōu)勢(shì)。此外,由于ESN使用了儲(chǔ)備池計(jì)算框架,具備動(dòng)態(tài)記憶能力,因此特別適合處理時(shí)間相關(guān)的建模問題,并且已經(jīng)被成功地應(yīng)用在各種時(shí)間序列預(yù)測(cè)工程實(shí)踐中。而歷史網(wǎng)絡(luò)流量記錄可以看作時(shí)間序列數(shù)據(jù),對(duì)網(wǎng)絡(luò)流量的預(yù)測(cè)也可以看作一個(gè)標(biāo)準(zhǔn)的時(shí)間序列預(yù)測(cè)問題,因此可以使用ESN模型對(duì)其進(jìn)行建模分析。但是,由于現(xiàn)代網(wǎng)絡(luò)流量具有自相似、長(zhǎng)程相關(guān)和多重分形等復(fù)雜的多尺度特性,而標(biāo)準(zhǔn)的ESN模型不能有效識(shí)別網(wǎng)絡(luò)流量中的多尺度特性,因此會(huì)導(dǎo)致預(yù)測(cè)精度上的損失。本文通過改進(jìn)共生生物搜索(Symbiotic Organisms Search,SOS)算法,結(jié)合集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)算法,提出了一種基于ESN的網(wǎng)絡(luò)流量預(yù)測(cè)模型。使用集合經(jīng)驗(yàn)?zāi)B(tài)分解算法依據(jù)網(wǎng)絡(luò)流量的多尺度特性將數(shù)據(jù)進(jìn)行模態(tài)分解,分離出的高頻信號(hào)和重構(gòu)數(shù)據(jù)作為ESN的輸入,并使用本文提出的混沌局部共生生物搜索算法C-SOS對(duì)ESN模型的輸入權(quán)值進(jìn)行優(yōu)化。本文將所提模型運(yùn)用在兩個(gè)真實(shí)數(shù)據(jù)集上進(jìn)行網(wǎng)絡(luò)流量預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,該模型相對(duì)于其它模型具有較高的預(yù)測(cè)精度,是一種有效的網(wǎng)絡(luò)流量預(yù)測(cè)模型。
【關(guān)鍵詞】：網(wǎng)絡(luò)流量預(yù)測(cè) 回聲狀態(tài)網(wǎng)絡(luò) 共生生物搜索 集合經(jīng)驗(yàn)?zāi)B(tài)分解 混沌局部搜索
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP393.06
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 緒論7-11
• 1.1 研究背景及意義7
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀7-9
• 1.3 本文的研究?jī)?nèi)容9
• 1.4 論文的組織結(jié)構(gòu)9-11
• 第二章 網(wǎng)絡(luò)流量的特性與預(yù)測(cè)模型11-19
• 2.1 網(wǎng)絡(luò)流量的特性11-13
• 2.1.1 網(wǎng)絡(luò)流量的自相似性11-12
• 2.1.2 網(wǎng)絡(luò)流量的長(zhǎng)程相關(guān)性12
• 2.1.3 網(wǎng)絡(luò)流量的多重分形性12-13
• 2.2 網(wǎng)絡(luò)流量預(yù)測(cè)模型13-19
• 2.2.1 結(jié)合信號(hào)分析技術(shù)的混合模型13-14
• 2.2.2 支持向量回歸模型14-15
• 2.2.3 神經(jīng)網(wǎng)絡(luò)模型15-19
• 第三章 SOS算法基本原理及其改進(jìn)19-29
• 3.1 SOS算法19-22
• 3.2 混沌理論22-24
• 3.3 C-SOS算法24-25
• 3.4 實(shí)驗(yàn)仿真及結(jié)果分析25-29
• 第四章 基于ESN的網(wǎng)絡(luò)流量預(yù)測(cè)模型29-45
• 4.1 EEMD29-30
• 4.2 ESN30-33
• 4.2.1 ESN的結(jié)構(gòu)30-31
• 4.2.2 ESN的訓(xùn)練過程31-32
• 4.2.3 ESN的性能分析32-33
• 4.3 EC-SOS-ESN模型33-34
• 4.4 實(shí)驗(yàn)仿真及結(jié)果分析34-45
• 4.4.1 模型評(píng)價(jià)標(biāo)準(zhǔn)35-36
• 4.4.2 模型輸入確定36-37
• 4.4.3 模型參數(shù)確定37-38
• 4.4.4 實(shí)驗(yàn)結(jié)果分析38-45
• 第五章 總結(jié)及展望45-47
• 5.1 總結(jié)45-46
• 5.2 展望46-47
• 參考文獻(xiàn)47-50
• 在學(xué)期間研究成果50-51
• 致謝51

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 陳振偉;王茜;黃繼紅;;基于多神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)模型[J];計(jì)算機(jī)安全;2010年12期

2 于靜;王輝;;基于組合模型的網(wǎng)絡(luò)流量預(yù)測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2013年08期

3 葉苗;王勇;;基于支持向量回歸學(xué)習(xí)機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];桂林工學(xué)院學(xué)報(bào);2007年02期

4 張正本;翟海慶;;基于組合模型的網(wǎng)絡(luò)流量預(yù)測(cè)[J];河南機(jī)電高等專科學(xué)校學(xué)報(bào);2008年06期

5 周丹琪;喬國(guó)平;張泉方;;基于K-Factor GARMA模型的網(wǎng)絡(luò)流量預(yù)測(cè)[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年02期

6 姜明;吳春明;張e，

本文編號(hào)：541096