本文關(guān)鍵詞：基于量子自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。

基于量子自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)：基于量子自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

論文發(fā)表網(wǎng)　 發(fā)布時(shí)間：2016-06-04 13:20:15　 來(lái)源：網(wǎng)絡(luò)整理　 瀏覽數(shù)：

本文關(guān)鍵詞：基于量子自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)，由論文發(fā)表網(wǎng)整理發(fā)布。

第3 5卷第 9期 2 0 1 3年 9月

電

子

與

信

息

學(xué)

報(bào)

、 b1 . 3 5 NO . 9 S e p t . 2 0 1 3

J o u r n a l o f El e c t r o n i c s& I n f o r ma t i o n Te c h n o l o g y

基于量子自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè) 郭通蘭巨龍李玉峰 江逸茗 4 5 0 0 0 2 ) (國(guó)家數(shù)字交換系統(tǒng)工程技術(shù)研究中心 摘

鄭州

要：該文提出一種量子白適應(yīng)粒子群優(yōu)化算法，該算法中，粒子位置的編碼采用量子比特實(shí)現(xiàn)，利用粒子飛行

軌跡信息動(dòng)態(tài)更新量子比特的狀態(tài)，并引入量子非門實(shí)現(xiàn)變異操作以避免陷入局部最優(yōu)。用該算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)， 實(shí)現(xiàn)了徑向基函數(shù) ( R B F1神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化，建立了基于量子自適應(yīng)粒子群優(yōu)化 RBF神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)流量預(yù)測(cè)模型，論文查重，我們?yōu)槟阒更c(diǎn)迷津。對(duì)真實(shí)網(wǎng)絡(luò)流量的預(yù)測(cè)結(jié)果表明，該方法的收斂速度和預(yù)測(cè)精度均要優(yōu)于傳統(tǒng) RB F神經(jīng)網(wǎng)絡(luò)法、粒子群一 RB F神經(jīng)網(wǎng)絡(luò)法、混合粒子群一 R BF神經(jīng)網(wǎng)絡(luò)法和自適應(yīng)粒子群一 RB F神經(jīng)網(wǎng)絡(luò)法，并且預(yù)測(cè)效果不易受時(shí)間 尺度變化的影響。 關(guān)鍵詞：徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)；自適應(yīng)粒子群優(yōu)化；量子比特；流量預(yù)測(cè)

中圖分類號(hào)：T P 3 9 3

文獻(xiàn)標(biāo)識(shí)碼： A

文章編號(hào)： 1 0 0 9— 5 8 9 6 ( 2 0 1 3 ) 0 9— 2 2 2 0— 0 7

D O I: 1 0 . 3 7 2 4/ S P . J . 1 1 4 6 . 2 0 1 2 . 0 1 3 4 3

Ne t wo r k Tr a f 1 I i C Pr e d i c t i o n wi t h Ra d i a l Ba s i s Fun c t i o n Ne u r a l Ne t wo r k

Ba s e d o n Q u a n t u m Ad a p t i v e Pa r t i c l e S wa r m Op t i mi z a t i o n Gu o T o n g La n J u - - l o n g Li Yu - - f e n g J i a n g Yi - - mi n g

( N a t i o n a l D i g i t a l S w i t c h i n g S y s t e m E n g i n e e r i n g&T e c h n o l o g i c a l R& D C e n t e r, Z h e n g z h o u 4 5 0 0 0 2,

C h i n a ) A b s t r a c t:A n o v e l Qu a n t u m A d a p t i v e P a r t i c l e S w a r m O p t i mi z a t i o n( QAP S O)me t h o d i s p r o p o s e d .I n t h i s a l g o r i t h m,t h e p o s i t i o n e n c o d i n g o f t h e p a r t i c l e i s a c h i e v e d wi t h q u a n t u m b i t s, a n d t h e s t a t e o f q u a n t u m b i t i s

u p d a t e d d y n a mi c a l l y wi t h p a r t i c l e t r a j e c t o r y i n f o r ma t i o n . T h e n t h e mu t a t i o n o p e r a t i o n i s p e r f o r me d b y q u a n t u m n o n— g a t e t o a v o i d f a l l i n g i n t o l o c a l o pt i mu m, wh i c h i n c r e a s e s t h e d i v e r s i t y o f p a r t i c l e s . Af t e r wa r d s j t h e Ra di a l Ba s i s

F u n c t i o n( R B F) n e u r a l n e t w o r k i s t r a i n e d wi t h QAP S O t o i mp l e me n t t h e o p t i mi z a t i o n o f RB F n e u r a l n e t w o r k p a r a me t e r s . T h e n e t w o r k t r a f f i c p r e d i c t i o n mo d e l i s e s t a b l i s h e d b a s e d o n t h e Qu a n t u m A d a p t i v e P a r t i c l e S wa r m

Op t i mi z a t i o n a n d RB F N e u r a l N e t w o r k( QAP S O— RB F NN) .F o r e c a s t i n g r e s u l t s o n r e a l n e t wo r k t r a f i c d e mo n s t r a t e t h a t t h e c o n v e

r g e n c e s p e e d o f t h e p r o po s e d me t h o d i s f a s t e r a n d p r e d i c t i o n a c c u r a c y i s mo r e a c c u r a t e

t h a n t h a t o f t r a d i t i o n a l RB F n e u r a l n e t wo r k, t h e P a r t i c l e S wa r m Op t i mi z a t i o n a n d RB F NN f PS O— R B F NN),

H y b r i d P a r t i c l e S w a r m Op t i mi z a t i o n a n d RB F NN ( HP S O— RB F N N), A d a p t i v e P a r t i c l e S w a r m Op t i mi z a t i o n a n d

R B F N e u r a l N e t w o r k( A P S O— R B F N N ) . F u r t h e r mo r e, t h e f o r e c a s t i n g e f f e c t o f t h i s me t h o d i s s t a b l e o n d i f f e r e n t s c a l e s . Ke y wo r ds:Radi al Bas i s Fu nc t i on Ne ur al Ne t wor k ( RB F NN); Ad a p t i v e P a r t i c l e S wa r m Op t i mi z a t i o n( AP S O)

Qu a n t u m b i t; T r a ic f p r e d i c t i o n

1 引言 網(wǎng)絡(luò)流量的建模與預(yù)測(cè)對(duì)于大規(guī)模網(wǎng)絡(luò)的規(guī) 劃設(shè)計(jì)、網(wǎng)絡(luò)資源管理以及用戶行為的調(diào)節(jié)等方面

常用的網(wǎng)絡(luò)流量預(yù)測(cè)工具，文獻(xiàn)『 2]利用 RB F神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)流量建模，同時(shí)進(jìn)行了預(yù)測(cè)，并取得了較

好的效果，但徑向基層與輸出層間聯(lián)接權(quán)的求解存

具有重要意義 _ 1] o神經(jīng)網(wǎng)絡(luò)以其良好的非線性映射能 力和對(duì)歷史數(shù)據(jù)的強(qiáng)大的訓(xùn)練學(xué)習(xí)能力而被廣泛地應(yīng)用于流量數(shù)據(jù)的建模及預(yù)測(cè)方面。徑向基函數(shù) ( Ra d i a l Ba s i s F u n c t i o n, RB F )神經(jīng)網(wǎng)絡(luò)是近年較為

在病態(tài)問(wèn)題，而且徑向基層單元參數(shù)的設(shè)置是基于 參數(shù)空間局部信息的，不是

參數(shù)空間的全局最優(yōu)值[ 3】 c對(duì)于具有隨機(jī)性的網(wǎng)絡(luò)流量而言，要達(dá)到較高

的預(yù)測(cè)精度，必須對(duì)其結(jié)構(gòu)參數(shù)從全局進(jìn)行動(dòng)態(tài)搜 索。

粒子群優(yōu)化( P a r t i c l e S wa r m Op t i mi z a t i o n, 2 0 1 2— 1 0— 1 9收到，2 0 1 3— 0 5— 0 3改回

國(guó)家 9 7 3計(jì)劃項(xiàng)目( 2 0 1 2 C B 3 1 5 9 0 0 ):￣ n N家 8 6 3計(jì)劃項(xiàng)目( 2 0 1 1 A A 0 1 A1 0 3 )資助課題 通信作者：郭通 g u o t o n g 1 9 8 4@y a h o o . c o n. r c n

P S O)算法是一種基于群智能的隨機(jī)全局優(yōu)化計(jì)算 方法 _ 4 1，，本站提供優(yōu)質(zhì)的工程師論文發(fā)表服務(wù)，希望可以幫到你。該算法以其建模簡(jiǎn)單、收斂速度快且易于實(shí)現(xiàn)等優(yōu)點(diǎn)，在組合優(yōu)化多目標(biāo)辨識(shí)[ 6 1、資源分

本文關(guān)鍵詞：基于量子自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)，由論文發(fā)表網(wǎng)整理發(fā)布。

本文來(lái)自論文發(fā)表網(wǎng)，轉(zhuǎn)載請(qǐng)注明本文網(wǎng)址：

  本文關(guān)鍵詞：基于量子自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。