【摘要】：電信業(yè)務(wù)的傳統(tǒng)預(yù)測(cè)模型多為統(tǒng)計(jì)回歸模型和時(shí)間序列模型。前者基于輸入變量和輸出變量之間的因果關(guān)系,要求變量滿足某些特定的統(tǒng)計(jì)假設(shè);后者基于時(shí)間序列的慣性推演,必須確知或假定序列的變化規(guī)律。由于實(shí)際情況很難滿足上述條件,所以傳統(tǒng)預(yù)測(cè)模型的誤差偏大、使用效果不佳。近年來(lái),以神經(jīng)網(wǎng)絡(luò)為代表的智能預(yù)測(cè)系統(tǒng)開始在電信業(yè)務(wù)的預(yù)測(cè)中得到應(yīng)用,但是單一的智能預(yù)測(cè)技術(shù)都或多或少地存在著這樣那樣的缺陷與問(wèn)題。為此,不同智能技術(shù)之間的相互促進(jìn)與補(bǔ)充便成為一種自然的考慮和首要的選擇。 雖然智能技術(shù)具有某些共同的機(jī)制和原理,但不同的智能技術(shù)表現(xiàn)出不同的行為特征。神經(jīng)網(wǎng)絡(luò)是模仿人腦結(jié)構(gòu)及功能的非線性信息處理系統(tǒng),具有大規(guī)模的并行計(jì)算與分布式存儲(chǔ)能力,且在處理信息的同時(shí),通過(guò)對(duì)信息的有監(jiān)督和無(wú)監(jiān)督學(xué)習(xí),實(shí)現(xiàn)對(duì)任意復(fù)雜函數(shù)的實(shí)值映射。但是,普通神經(jīng)網(wǎng)絡(luò)的BP學(xué)習(xí)算法受初始權(quán)值的影響較大,不僅收斂速度緩慢、且容易陷入局部極值,故在實(shí)際應(yīng)用中受到諸多限制。而基于人工生命和演化計(jì)算理論的粒子群優(yōu)化算法將生物的優(yōu)勝劣汰過(guò)程類比為可行解優(yōu)化的迭代過(guò)程,形成一種以“生成+檢驗(yàn)”為特征的自適應(yīng)人工智能技術(shù)。由于粒子群優(yōu)化算法對(duì)于參數(shù)搜索空間沒有苛刻的條件,故在許多工程優(yōu)化的實(shí)際問(wèn)題中得到了成功的應(yīng)用。但迄今為止,智能優(yōu)化和智能預(yù)測(cè)技術(shù)基本上停留在仿真模擬階段,還缺乏能夠完全闡明智能技術(shù)運(yùn)算特性的理論基礎(chǔ)。 本研究旨在對(duì)BP神經(jīng)網(wǎng)絡(luò)和標(biāo)準(zhǔn)粒子群優(yōu)化算法進(jìn)行綜合的理論及應(yīng)用分析,試圖結(jié)合混沌變異技術(shù)與小生境進(jìn)化策略,改進(jìn)粒子群算法的優(yōu)化機(jī)制,使之具備學(xué)習(xí)適應(yīng)與協(xié)調(diào)進(jìn)化的雙重智能,以達(dá)到提高算法搜索速度和精度的目的。然后,將改進(jìn)的粒子群算法植入神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),用以替換網(wǎng)絡(luò)的BP學(xué)習(xí)算法,建立新的粒子群神經(jīng)網(wǎng)絡(luò)系統(tǒng),并最終在電信業(yè)務(wù)樣本的基礎(chǔ)上,構(gòu)建基于改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)的電信業(yè)務(wù)預(yù)測(cè)模型。 論文的研究?jī)?nèi)容主要包括: (1)電信業(yè)務(wù)的經(jīng)營(yíng)現(xiàn)狀與發(fā)展趨勢(shì),影響電信業(yè)務(wù)的主要因素及預(yù)測(cè)要求,現(xiàn)行預(yù)測(cè)模型的性能及存在的主要問(wèn)題; (2)粒子群算法的基本原理與優(yōu)化機(jī)制,現(xiàn)行粒子群算法存在的問(wèn)題及原因,改進(jìn)粒子群搜索性能的理論基礎(chǔ)與現(xiàn)實(shí)途徑; (3)粒子群算法與遺傳算法、混沌算法之間的差別與聯(lián)系,混沌變異技術(shù)及混沌初始化程序和小生境進(jìn)化策略對(duì)粒子群算法的作用機(jī)制與結(jié)合方式,改進(jìn)粒子群算法的參數(shù)設(shè)計(jì)與計(jì)算程序; (4)標(biāo)準(zhǔn)測(cè)試函數(shù)的特性與選擇,改進(jìn)粒子群算法與標(biāo)準(zhǔn)粒子群算法的比較實(shí)驗(yàn)與結(jié)果分析; (5)粒子群算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合原理與集成方式,結(jié)合網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與學(xué)習(xí)算法,改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)的模型設(shè)計(jì)與算法程序; (6)電信業(yè)務(wù)的預(yù)測(cè)指標(biāo)及影響因素,樣本數(shù)據(jù)的采集與統(tǒng)計(jì)分析,基于改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)的電信業(yè)務(wù)預(yù)測(cè)模型,預(yù)測(cè)系統(tǒng)的結(jié)構(gòu)參數(shù)與訓(xùn)練結(jié)果; (7)六種電信業(yè)務(wù)預(yù)測(cè)模型實(shí)驗(yàn)結(jié)果的比較分析與初步結(jié)論; (8)所有智能預(yù)測(cè)模型在MATLAB7.0平臺(tái)基礎(chǔ)上的設(shè)計(jì)與開發(fā)程序。 研究的成果及創(chuàng)新性主要表現(xiàn)為: (1)將混沌優(yōu)化技術(shù)和小生境進(jìn)化策略融入粒子群算法結(jié)構(gòu),并通過(guò)適應(yīng)度函數(shù)變換和慣性權(quán)重自適應(yīng)調(diào)整,提出了一種具備學(xué)習(xí)適應(yīng)與協(xié)調(diào)進(jìn)化雙重智能的改進(jìn)粒子群優(yōu)化算法,顯著提高了算法的搜索速度和精度; (2)將改進(jìn)的粒子群優(yōu)化算法植入神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),用以替換網(wǎng)絡(luò)的BP學(xué)習(xí)算法,集成了新的粒子群神經(jīng)網(wǎng)絡(luò)系統(tǒng),顯著改進(jìn)了系統(tǒng)的學(xué)習(xí)進(jìn)化能力和預(yù)測(cè)效果; (3)在MATLAB7.0軟件平臺(tái)的基礎(chǔ)上設(shè)計(jì)和開發(fā)了所有智能優(yōu)化算法和智能預(yù)測(cè)模型的計(jì)算機(jī)應(yīng)用程序,順利完成了所有智能優(yōu)化算法和智能預(yù)測(cè)模型的實(shí)現(xiàn)過(guò)程; (4)確定了電信業(yè)務(wù)預(yù)測(cè)的指標(biāo)體系和影響因素,并基于中國(guó)電信和中國(guó)移動(dòng)的樣本資料,結(jié)合樣本數(shù)據(jù)的統(tǒng)計(jì)分析,構(gòu)建了基于改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)的電信業(yè)務(wù)預(yù)測(cè)模型;證實(shí)了改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)的顯著成效。
【圖文】：

在三網(wǎng)之間的轉(zhuǎn)化，從而也在一定程度上調(diào)整了三網(wǎng)的產(chǎn)業(yè)結(jié)構(gòu)。網(wǎng)絡(luò)發(fā)展的總體趨勢(shì)如圖 1-1 所示。圖1-1 三網(wǎng)融合產(chǎn)業(yè)結(jié)構(gòu)通訊技術(shù)的發(fā)展為電信企業(yè)帶來(lái)了新的機(jī)遇，但同時(shí)讓整個(gè)通信行業(yè)面臨著前所未有的挑戰(zhàn)。近年來(lái)，隨著電信市場(chǎng)的逐步開放，電信業(yè)的競(jìng)爭(zhēng)日益加劇，整個(gè)行業(yè)的增長(zhǎng)速度放緩、利潤(rùn)逐年下降，，電信企業(yè)的經(jīng)營(yíng)承受著越來(lái)越大的壓力。為了使中國(guó)電信能在激烈的市場(chǎng)競(jìng)爭(zhēng)中立于不敗之地，并保持自身持續(xù)穩(wěn)定的發(fā)展，就必須把握方向，減少盲目經(jīng)營(yíng)。因此，加強(qiáng)對(duì)電信業(yè)務(wù)預(yù)測(cè)技術(shù)的研究既有重要的科學(xué)理論價(jià)值，又有[1] 電信業(yè)：指圍繞電信業(yè)務(wù)展開的產(chǎn)業(yè)鏈，包括電信運(yùn)營(yíng)業(yè)與電信制造業(yè)。[2] 電信企業(yè)：即電信運(yùn)營(yíng)商，指提供電信業(yè)務(wù)的運(yùn)營(yíng)機(jī)構(gòu)；根據(jù)信息產(chǎn)業(yè)部的規(guī)定，電信業(yè)務(wù)分為基礎(chǔ)電信業(yè)務(wù)和增值電信業(yè)務(wù)。基礎(chǔ)電信業(yè)務(wù)

本研究技術(shù)路線及論文結(jié)構(gòu)
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2009
【分類號(hào)】：F626;F224

【引證文獻(xiàn)】

相關(guān)期刊論文 前3條

1 賈花萍;;改進(jìn)PSO神經(jīng)網(wǎng)絡(luò)的白水蘋果樹腐爛病預(yù)測(cè)[J];安徽農(nóng)業(yè)科學(xué);2014年10期

2 陳仕鴻;張英明;;基于Elman神經(jīng)網(wǎng)絡(luò)的電信業(yè)務(wù)預(yù)測(cè)研究[J];黑龍江科技信息;2012年17期

3 焦鵬;王新政;謝鵬遠(yuǎn);;基于粒子群優(yōu)化LSSVM的模擬電路故障診斷方法[J];現(xiàn)代電子技術(shù);2013年08期

相關(guān)博士學(xué)位論文 前2條

1 汪鵬;半導(dǎo)體薄層電阻測(cè)量新方法研究[D];河北工業(yè)大學(xué);2011年

2 陳娜;中高壓功率IGBT模塊開關(guān)特性測(cè)試及建模[D];浙江大學(xué);2012年

相關(guān)碩士學(xué)位論文 前6條

1 方鵬程;用戶貢獻(xiàn)內(nèi)容質(zhì)量評(píng)價(jià)研究[D];北京郵電大學(xué);2011年

2 李振;基于小生境粒子群算法的同時(shí)取貨送貨車輛路徑問(wèn)題研究[D];山東大學(xué);2011年

3 姜林;基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的電力短期負(fù)荷預(yù)測(cè)研究[D];遼寧工程技術(shù)大學(xué);2011年

4 孫剛;電信需求的面板數(shù)據(jù)模型適應(yīng)性研究[D];北京郵電大學(xué);2012年

5 張穎;基于改進(jìn)魚群算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化研究[D];華南理工大學(xué);2012年

6 張彩云;基于改進(jìn)PSO算法的模糊神經(jīng)網(wǎng)絡(luò)研究[D];哈爾濱理工大學(xué);2014年

本文編號(hào)：2626471