在通信網(wǎng)絡(luò)日趨復(fù)雜、綜合的情況下，其可靠性研究已經(jīng)成為網(wǎng)絡(luò)管理領(lǐng)域必要進(jìn)行的課題。目前對網(wǎng)絡(luò)可靠性仍沒有一個統(tǒng)一的定義，已有的研究也只是從不同的側(cè)面進(jìn)行。人工智能技術(shù)的迅速發(fā)展，為網(wǎng)絡(luò)可靠性的研究提供了新的途徑，本文利用粒子群算法、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)，以及隨機(jī)Petri網(wǎng)，對LAN／WLAN集成網(wǎng)絡(luò)的可靠性進(jìn)行了深入的研究，旨在探索有效的、先進(jìn)的、智能化的通信網(wǎng)絡(luò)可靠性評估和預(yù)測新方法。1．引入了遞減指數(shù)和迭代閾值，對基本粒子群算法中線性遞減權(quán)策略公式進(jìn)行了改進(jìn)，提出了一種非線性改變慣性權(quán)重的粒子群算法。仿真結(jié)果表明，改進(jìn)PSO算法在搜優(yōu)精度、收斂速度以及穩(wěn)定性等方面有明顯優(yōu)勢。2．基于LAN／WLAN集成網(wǎng)絡(luò)提出一種定義通信網(wǎng)絡(luò)可靠性的新方法。并利用改進(jìn)后的粒子群算法對BP神經(jīng)網(wǎng)絡(luò)權(quán)值的選取進(jìn)行優(yōu)化，建立了LAN／WLAN集成網(wǎng)絡(luò)可靠性的預(yù)測模型。3．將支持向量回歸方法應(yīng)用于LAN／WLAN集成網(wǎng)絡(luò)可靠性預(yù)測中，通過建立SVM模型對可靠性進(jìn)行預(yù)測。4．基于隨機(jī)Petri網(wǎng)模型對LAN／WLAN集成網(wǎng)絡(luò)系統(tǒng)進(jìn)行了建模，計算出了LAN／WLAN集成網(wǎng)絡(luò)系統(tǒng)的一系列性能指標(biāo)。本文對三種可... 

【文章來源】：山西大學(xué)山西省

【文章頁數(shù)】：96 頁

【學(xué)位級別】：碩士

【部分圖文】：

LAN八VLAN集成網(wǎng)絡(luò)的結(jié)構(gòu)圖

BP網(wǎng)絡(luò)采用3層結(jié)構(gòu)，該網(wǎng)絡(luò)的結(jié)構(gòu)包括四個輸入節(jié)點(diǎn)、一個輸出節(jié)點(diǎn)，隱含層的數(shù)目為9，從輸入層到隱層的轉(zhuǎn)移函數(shù)為tansig，從隱層到輸出層的轉(zhuǎn)移函數(shù)為109519，訓(xùn)練次數(shù)為100，訓(xùn)練算法為train一m[74]。經(jīng)過計算對于PSO改進(jìn)BP網(wǎng)絡(luò)優(yōu)化算法，其粒子種群規(guī)模為55，多次實(shí)驗(yàn)后參數(shù)集為{‘，。，外，幾}·{02，”·9，0.3，，oo}時，結(jié)果最優(yōu)。3.2.4結(jié)果分析與比較如圖3.5所示為基本BP網(wǎng)絡(luò)對實(shí)驗(yàn)1訓(xùn)練集的學(xué)習(xí)效果，圖3.6為PSO優(yōu)化BP網(wǎng)絡(luò)方法對實(shí)驗(yàn)1訓(xùn)練集的學(xué)習(xí)效果。表3.4為兩種方法對實(shí)驗(yàn)1訓(xùn)練集的擬合結(jié)果，表3.5為兩種方法對實(shí)驗(yàn)1檢驗(yàn)集的預(yù)測結(jié)果。雖然PSO優(yōu)化后的BP網(wǎng)絡(luò)的收斂速度比基本BP網(wǎng)絡(luò)要慢一些，但是對檢驗(yàn)集的預(yù)測精度要高一個數(shù)量集。圖3.7為兩種方法對實(shí)驗(yàn)1訓(xùn)練集的擬合結(jié)果比較，圖3.8為兩種方法對實(shí)驗(yàn)1檢驗(yàn)集的預(yù)測結(jié)果比較。El舀p，。dti而一工，16.840266‘.oor、‘，s。

圖16PSO優(yōu)化BP網(wǎng)絡(luò)方法對實(shí)驗(yàn)1訓(xùn)練集的學(xué)習(xí)效果表3.4兩種方法對實(shí)驗(yàn)1訓(xùn)練集的訓(xùn)練結(jié)果比較樣本序號實(shí)際值0.43880.23490.11130.190900.37610.30340.15150.57940.06560.08150.37120.01270.3545BP網(wǎng)絡(luò)預(yù)測值0.9999967512091610.4387999976540990.2348999960760480.1113000009467060.1908999995657780.0000011638700070.3760999960535460.3033999930691790.1515000008917010.5794000014940620.0656000002141340.0815000010986950.3711999972573930.0126999998850580.354499996273844PSO優(yōu)化aP預(yù)測值0.9852748811750270.4411871915743370.2252510907639340.1355939780166780.1858787411444740.0096565746928970.408040641966460.3902363414701460.1167059987709620.5812751387972380.1113261824777440.0819401719809670.3616684909311430.0058996774625770.35159940459075110一n一12一13一14一15一16一17一18一19一20

【參考文獻(xiàn)】：
期刊論文
[1]一種非線性改變慣性權(quán)重的粒子群算法[J]. 王麗,王曉凱.  計算機(jī)工程與應(yīng)用. 2007(04)
[2]基于粒子群優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)在油品質(zhì)量預(yù)測中的應(yīng)用[J]. 李方方,趙英凱,賈玉瑩.  計算機(jī)應(yīng)用. 2006(05)
[3]基于粒子群優(yōu)化算法的BP網(wǎng)絡(luò)模型在徑流預(yù)測中的應(yīng)用[J]. 楊道輝,馬光文,劉起方,陶春華,過夏明.  水力發(fā)電學(xué)報. 2006(02)
[4]一種動態(tài)改變慣性權(quán)重的粒子群優(yōu)化算法[J]. 王啟付,王戰(zhàn)江,王書亭.  中國機(jī)械工程. 2005(11)
[5]通信網(wǎng)的總?cè)萘繗w一化加權(quán)可靠性指標(biāo)與算法[J]. 戴伏生,李金鑫,宋立眾.  哈爾濱工業(yè)大學(xué)學(xué)報. 2005(05)
[6]粒子群算法中慣性權(quán)重的實(shí)驗(yàn)與分析[J]. 王俊偉,汪定偉.  系統(tǒng)工程學(xué)報. 2005(02)
[7]基于免疫支持向量機(jī)方法的電力系統(tǒng)短期負(fù)荷預(yù)測[J]. 吳宏曉,侯志儉.  電網(wǎng)技術(shù). 2004(23)
[8]粒子群優(yōu)化算法的分析與改進(jìn)[J]. 張麗平,俞歡軍,陳德釗,胡上序.  信息與控制. 2004(05)
[9]基于支持向量機(jī)的船舶電力負(fù)荷預(yù)測[J]. 王錫淮,朱思鋒.  中國電機(jī)工程學(xué)報. 2004(10)
[10]基于時間序列的支持向量機(jī)在負(fù)荷預(yù)測中的應(yīng)用[J]. 張林,劉先珊,陰和俊.  電網(wǎng)技術(shù). 2004(19)

碩士論文
[1]遺傳算法與神經(jīng)網(wǎng)絡(luò)在匯率預(yù)測中的應(yīng)用[D]. 王曉琳.青島大學(xué) 2006
[2]基于支持向量機(jī)的軟件可靠性早期預(yù)測研究[D]. 李嘉.合肥工業(yè)大學(xué) 2005
[3]改進(jìn)型遺傳算法及其在神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化中的應(yīng)用[D]. 劉亞營.上海海事大學(xué) 2003
[4]基于人工神經(jīng)網(wǎng)絡(luò)的遺傳算法理論及應(yīng)用[D]. 陳慧琴.武漢理工大學(xué) 2003
[5]混合神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[D]. 夏宏飛.浙江大學(xué) 2003



本文編號：3316223