本文選題：認知網(wǎng)絡　切入點：組合神經(jīng)網(wǎng)絡　出處：《杭州電子科技大學》2017年碩士論文　論文類型：學位論文

【摘要】：傳統(tǒng)網(wǎng)絡中存在資源利用率低、業(yè)務延時明顯和負載均衡效果差等問題,認知網(wǎng)絡的出現(xiàn)為解決以上問題提供了可能。相比傳統(tǒng)網(wǎng)絡而言,認知網(wǎng)絡具有學習推理和智能決策等特點,通過實時、動態(tài)地感知當前網(wǎng)絡狀況,進行網(wǎng)絡智能規(guī)劃、參數(shù)配置和流量調度,有效地提高網(wǎng)絡資源利用率,并且提供更高的QoS業(yè)務。本文提出了認知網(wǎng)絡中基于改進的組合神經(jīng)網(wǎng)絡流量預測模型WFLNN(Wavelet Fast Learning Neural Network)的負載均衡算法,重在解決網(wǎng)絡負載不平衡問題,比如輕負載區(qū)域沒有充分利用閑置資源,重負載區(qū)域發(fā)生擁堵而導致業(yè)務延時和丟包率增加等問題。首先,本文通過查閱文獻深入研究了認知網(wǎng)絡的概念及模型,同時對流量預測和負載均衡技術的研究現(xiàn)狀進行了深入探討。其次,本文介紹了目前常用的三種組合神經(jīng)網(wǎng)絡模型及其基本算法思路,并且選擇以小波神經(jīng)網(wǎng)絡(Wavelet Neural Network,WNN)流量預測模型為基礎對其進行改進。針對小波神經(jīng)網(wǎng)絡過擬合問題以及易陷入局部極小值和平點區(qū)域問題,設計了一種新的流量預測模型,即WFLNN模型。首先采用BP網(wǎng)絡對數(shù)據(jù)樣本進行去噪處理,將經(jīng)過處理的數(shù)據(jù)樣本實施小波變換,然后分別將小波變換得到的高頻分量和低頻分量作為RBF神經(jīng)網(wǎng)絡和Elman網(wǎng)絡的輸入進行訓練,之后采用快速學習神經(jīng)網(wǎng)絡算法FLBP(Fast Learning Back Propagation)擬合數(shù)據(jù)。其中,FLBP算法是利用三種快速學習算法改進BP神經(jīng)網(wǎng)絡的新算法。它利用系統(tǒng)性的方法來檢查學習過程中是否陷入局部極小值或者平點區(qū)域,然后跳過它們,從而始終保持尋找一個合適的方法來達到全局最優(yōu),進而提高預測的準確度。同時采用MATLAB對WFLNN模型和WNN模型進行比較,仿真結果表明WFLNN模型預測精度更高。最后,由于傳統(tǒng)網(wǎng)絡不能實時動態(tài)地感知當前的網(wǎng)絡狀態(tài)以及不能提前對服務器參數(shù)進行配置,導致網(wǎng)絡出現(xiàn)延時明顯等問題。因此,本文設計了一種認知網(wǎng)絡中基于WFLNN預測模型的負載均衡算法。該算法采用認知網(wǎng)絡的認知、推理和智能決策等機制,對網(wǎng)絡當前狀況進行感知,根據(jù)流量預測結果提前配置網(wǎng)絡參數(shù),并結合加權最小連接調度算法對網(wǎng)絡流量進行調度,實現(xiàn)網(wǎng)絡負載均衡。同時采用OPNET軟件進行仿真,結果表明認知網(wǎng)絡中基于WFLNN預測模型的負載均衡算法相比一般網(wǎng)絡中未改進的算法具有更好的負載均衡效果。
[Abstract]:There are some problems in traditional network, such as low utilization of resources, obvious service delay and poor load balancing effect. The emergence of cognitive network provides the possibility to solve the above problems. Cognitive network has the characteristics of learning reasoning and intelligent decision. It can effectively improve the utilization rate of network resources by realtime and dynamically perceiving the current network situation, carrying out network intelligent planning, parameter configuration and traffic scheduling. In this paper, we propose a load balancing algorithm based on improved WFLNN(Wavelet Fast Learning Neural Network, which focuses on solving the problem of network load imbalance. For example, the light load area does not make full use of idle resources, and the heavy load area congestion leads to the increase of service delay and packet loss rate. Firstly, this paper deeply studies the concept and model of cognitive network by consulting the literature. At the same time, the research status of traffic forecasting and load balancing technology is discussed. Secondly, three kinds of combined neural network models and their basic algorithms are introduced. Based on wavelet Neural network model, a new traffic forecasting model is designed for over-fitting of wavelet neural network and easy to fall into local minimum and point region. That is, WFLNN model. Firstly, BP neural network is used to Denoise the data sample, and wavelet transform is applied to the processed data sample. Then the high-frequency and low-frequency components obtained by wavelet transform are trained as input of RBF neural network and Elman network, respectively. After that, the fast learning neural network algorithm FLBP(Fast Learning Back propagation is used to fit the data. Among them, the fast learning algorithm is a new algorithm to improve BP neural network by using three fast learning algorithms. It uses a systematic method to check whether or not it is in the process of learning. Into a local minimum or flat point region, Then skip them, and keep looking for a suitable way to achieve the global optimum, and then improve the accuracy of the prediction. At the same time, we use MATLAB to compare the WFLNN model with WNN model. The simulation results show that the prediction accuracy of WFLNN model is higher. Finally, because the traditional network can not perceive the current network state dynamically in real time and can not configure the server parameters in advance, the delay of the network is obvious. In this paper, a load balancing algorithm based on WFLNN prediction model in cognitive networks is designed, which uses cognitive network cognitive, reasoning and intelligent decision-making mechanisms to perceive the current situation of the network. According to the traffic prediction results, the network parameters are configured in advance, and the network traffic is scheduled by the weighted minimum connection scheduling algorithm. The network load balance is realized. At the same time, the simulation is carried out by using OPNET software. The results show that the load balancing algorithm based on WFLNN prediction model in cognitive network has better load balancing effect than the unimproved algorithm in general network.
【學位授予單位】：杭州電子科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TN925

【相似文獻】

相關期刊論文 前10條

1 陳錚;滕穎蕾;張勇;;認知網(wǎng)絡概述[J];數(shù)字通信世界;2010年05期

2 滑楠;曹志剛;;無線認知網(wǎng)絡概念與實例研究[J];計算機工程與應用;2009年02期

3 劉超;王海濤;;網(wǎng)絡發(fā)展的一種新動向——認知網(wǎng)絡[J];數(shù)據(jù)通信;2009年02期

4 邵飛;汪李峰;伍春;;基于認知層的認知網(wǎng)絡結構及其認知方法[J];北京工業(yè)大學學報;2009年09期

5 陳錚;張勇;滕穎蕾;羅希;;認知網(wǎng)絡概述[J];無線通信技術;2009年04期

6 雷宜海;;認知網(wǎng)絡概述[J];電信快報;2010年04期

7 沙智;;淺析認知網(wǎng)絡的關鍵技術及其多方面應用[J];知識經(jīng)濟;2010年07期

8 王琪;;認知網(wǎng)絡概念及技術要求[J];洛陽師范學院學報;2010年05期

9 劉琪;周正;王樹彬;;主用戶鏈路深度衰落下的認知網(wǎng)絡中繼[J];高技術通訊;2010年03期

10 ;“認知網(wǎng)絡”正文通知[J];通信學報;2011年01期

相關會議論文 前6條

1 吳繼寶;;認知網(wǎng)絡端到端QoS技術研究[A];江蘇省電子學會2010年學術年會論文集[C];2010年

2 高春蓉;賁可榮;;一種基于Agent的認知網(wǎng)絡節(jié)點模型[A];第13屆中國系統(tǒng)仿真技術及其應用學術年會論文集[C];2011年

3 王桂娟;陳寧;徐同閣;;基于ARMA的IP網(wǎng)絡流量建模方法研究[A];2006全國復雜網(wǎng)絡學術會議論文集[C];2006年

4 李千目;戚勇;吳克力;楊云;張宏;劉鳳玉;;一種新的網(wǎng)絡擁塞流量預測方法[A];第16屆中國過程控制學術年會暨第4屆全國故障診斷與安全性學術會議論文集[C];2005年

5 蔡亞橋;符永正;;多泵并聯(lián)變臺數(shù)調節(jié)的流量預測[A];全國暖通空調制冷2006年學術年會論文集[C];2006年

6 郭冠英;;綜合型交通分配模型與路網(wǎng)流量預測[A];全國城市道路與交通工程學術會議論文集[C];1991年

相關重要報紙文章 前1條

1 秦風;創(chuàng)業(yè)初期的四個關鍵問題[N];中國婦女報;2006年

相關博士學位論文 前10條

1 劉舒祺;基于QoS度量的移動認知網(wǎng)絡路由決策[D];蘇州大學;2016年

2 鐘鳴;面向認知網(wǎng)絡的鏈路初始化與頻譜分配技術研究[D];西安電子科技大學;2016年

3 李婕;認知網(wǎng)絡中基于網(wǎng)絡狀態(tài)和行為預測的路由及數(shù)據(jù)分發(fā)算法研究[D];東北大學;2015年

4 胡罡;無線認知網(wǎng)絡頻譜感知與接入關鍵技術研究[D];國防科學技術大學;2010年

5 馮光升;面向認知網(wǎng)絡的自適應QoS感知與配置方法[D];哈爾濱工程大學;2009年

6 亓晉;基于貝葉斯網(wǎng)絡的認知網(wǎng)絡QoS自主控制技術研究[D];南京郵電大學;2013年

7 陳少磊;無速率碼的編譯碼及其在中繼與認知網(wǎng)絡中的應用[D];浙江大學;2013年

8 梁偉;認知網(wǎng)絡的接入選擇與擁塞控制研究[D];南京郵電大學;2011年

9 陳亮;認知網(wǎng)絡中頻譜管理與流量調度關鍵技術研究[D];北京郵電大學;2012年

10 李丹丹;認知網(wǎng)絡中具有自主學習特征的智能QoS保障機制研究[D];北京交通大學;2013年

相關碩士學位論文 前10條

1 郭苑;基于業(yè)務的認知網(wǎng)絡健康度評價體系研究[D];南京郵電大學;2011年

2 季麗娟;認知網(wǎng)絡中動態(tài)調度機理研究[D];上海交通大學;2015年

3 魏鳳生;認知網(wǎng)絡中繼節(jié)點選擇與信道分配算法研究[D];電子科技大學;2016年

4 段曉雪;認知網(wǎng)絡中高效輔助傳輸?shù)墓歉山M網(wǎng)技術研究[D];電子科技大學;2016年

5 朱雯君;無線多跳認知網(wǎng)絡速率與功率優(yōu)化技術研究[D];南京郵電大學;2016年

6 高贊;攜能認知網(wǎng)絡的協(xié)作通信方案研究[D];南京郵電大學;2016年

7 李耿;下一代無線通信系統(tǒng)關鍵技術研究[D];西北工業(yè)大學;2015年

8 賀冰濤;攜能協(xié)作認知網(wǎng)絡穩(wěn)態(tài)吞吐量研究[D];西安電子科技大學;2015年

9 周天衛(wèi);認知網(wǎng)絡資源質量分析與其管理演示系統(tǒng)設計實現(xiàn)[D];西安電子科技大學;2015年

10 孔欣怡;MIMO協(xié)作認知網(wǎng)絡中自適應傳輸技術研究[D];西安電子科技大學;2015年

，

本文編號：1586800