互聯(lián)網(wǎng)服務(wù)正在極速運(yùn)行和發(fā)展,并朝著多元化的方向持續(xù)變革與創(chuàng)新。網(wǎng)絡(luò)結(jié)構(gòu)逐漸復(fù)雜化,預(yù)測模型可為網(wǎng)管中的帶寬配置、路由管制和差錯調(diào)節(jié)提供必要的參考,對提升網(wǎng)絡(luò)性能以提供更好的服務(wù)質(zhì)量（QoS）具有尤為重要的意義。因此,網(wǎng)絡(luò)流量的分析和預(yù)測技術(shù)一直是相關(guān)領(lǐng)域的熱門研究課題。首先,本文在研究了網(wǎng)絡(luò)流量復(fù)雜非線性特征的基礎(chǔ)上,對來源于國內(nèi)高校網(wǎng)絡(luò)中心內(nèi)不同設(shè)備線路的真實(shí)網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行篩選和采集;然后從時間序列相關(guān)聯(lián)性的角度考慮,對原始網(wǎng)絡(luò)流量數(shù)據(jù)中的缺失和異常部分進(jìn)行全面識別和修復(fù),同時采用標(biāo)準(zhǔn)歸一化的方法完成對網(wǎng)絡(luò)流量樣本的預(yù)處理。其次,在深入解析了各類網(wǎng)絡(luò)流量預(yù)測算法的現(xiàn)狀和優(yōu)劣特點(diǎn)后,本文選取小波神經(jīng)網(wǎng)絡(luò)（WNN）作為研究的基礎(chǔ),并在其參數(shù)反向修正的過程中增加了動量項(xiàng)和動態(tài)自學(xué)習(xí)因子的修正策略,提出了一種智能小波神經(jīng)網(wǎng)絡(luò)（IWNN）預(yù)測模型。基于實(shí)際校園網(wǎng)絡(luò)流量數(shù)據(jù)的實(shí)驗(yàn)充分說明,IWNN的預(yù)測結(jié)果在擬合程度和收斂能力等指標(biāo)上均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和WNN。再次,為了改善單一IWNN模型預(yù)測效果穩(wěn)定性較弱和誤差略高等缺點(diǎn),本文選用神經(jīng)網(wǎng)絡(luò)集成方法,構(gòu)建了一種基于AdaBoost集成IWN... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

013-2018年中國網(wǎng)民規(guī)模和互聯(lián)網(wǎng)普及率統(tǒng)計

圖 3.3 Morlet wavelet 基底函數(shù)圖形2.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計在構(gòu)建一個合理且準(zhǔn)確的基于 WNN 的網(wǎng)絡(luò)流量預(yù)測模型時，WNN 基結(jié)構(gòu)的建模尤為重要。WNN 的輸入層和輸出層的節(jié)點(diǎn)數(shù)量是根據(jù)樣本造和擬解決的問題場景所決定的，在預(yù)測精度和穩(wěn)定性可控的前提下，可當(dāng)減少網(wǎng)絡(luò)拓?fù)涞膹?fù)雜程度，以提升整體運(yùn)算效率。（1）基礎(chǔ)層級結(jié)構(gòu)設(shè)計Kolmogorov 定理中說明，具有 S 型激勵函數(shù)的單層隱含層神經(jīng)網(wǎng)絡(luò)能任意連續(xù)函數(shù)，即一個簡單的三層神經(jīng)網(wǎng)絡(luò)可以有效地逼近實(shí)際系統(tǒng)需求絡(luò)節(jié)點(diǎn)的冗余度很低[33]，因此本文設(shè)計的 WNN 選用輸入層、隱含層和各層數(shù)目都等于 1 的三層基礎(chǔ)層級結(jié)構(gòu)。（2）輸入層與輸出層節(jié)點(diǎn)數(shù)設(shè)計本文在預(yù)測下一時序 t 的網(wǎng)絡(luò)流量時，需要提供過去 t m 至 t 1 時序

BPNN 和 WNN 模型的預(yù)測結(jié)果對比圖（data-sample1）

【參考文獻(xiàn)】：
期刊論文
[1]一種動態(tài)調(diào)整慣性權(quán)重的粒子群優(yōu)化算法[J]. 董紅斌,李冬錦,張小平.  計算機(jī)科學(xué). 2018(02)
[2]基于馬爾可夫時變模型的流量數(shù)據(jù)挖掘[J]. 葉德忠,巫忠正,蔣勇.  軟件. 2017(09)
[3]改進(jìn)種群多樣性的雙變異差分進(jìn)化算法[J]. 李榮雨,陳慶倩,陳菲爾.  運(yùn)籌學(xué)學(xué)報. 2017(01)
[4]基于改進(jìn)二進(jìn)制螢火蟲的BP神經(jīng)網(wǎng)絡(luò)并行集成學(xué)習(xí)算法[J]. 李敬明,倪志偉,朱旭輝,許瑩.  模式識別與人工智能. 2017(02)
[5]基于SNMP的應(yīng)用進(jìn)程監(jiān)控系統(tǒng)研究與實(shí)現(xiàn)[J]. 楊芳南,劉春.  北京交通大學(xué)學(xué)報. 2016(05)
[6]基于GA優(yōu)化IWNN的短時交通流量預(yù)測方法[J]. 吳凡,孫建紅,葛鶴銀,劉景夏.  實(shí)驗(yàn)室研究與探索. 2016(05)
[7]量子遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測[J]. 張立仿,張喜平.  計算機(jī)工程與科學(xué). 2016(01)
[8]基于小波分析的ARMA-SVR網(wǎng)絡(luò)流量預(yù)測方法[J]. 劉亮,江漢紅,王潔,芮萬智.  計算機(jī)工程與設(shè)計. 2015(08)
[9]基于改進(jìn)粒子群小波神經(jīng)網(wǎng)絡(luò)的智能變電站網(wǎng)絡(luò)流量預(yù)測[J]. 王晉,夏勇軍,王贈凱.  武漢大學(xué)學(xué)報(工學(xué)版). 2015(04)
[10]小波神經(jīng)網(wǎng)絡(luò)在教育網(wǎng)格下行流量預(yù)測中的應(yīng)用[J]. 邱樹偉,李琰琰.  計算機(jī)系統(tǒng)應(yīng)用. 2015(05)

博士論文
[1]基于突變理論及協(xié)同學(xué)的網(wǎng)絡(luò)流量異常檢測方法研究[D]. 熊偉.華中科技大學(xué) 2011
[2]基于特征選擇技術(shù)的集成學(xué)習(xí)方法及其應(yīng)用研究[D]. 劉天羽.上海大學(xué) 2007

碩士論文
[1]集成學(xué)習(xí)方法在短期風(fēng)電功率預(yù)測中的應(yīng)用[D]. 閆佳佳.蘭州交通大學(xué) 2017
[2]基于改進(jìn)狼群算法的小波神經(jīng)網(wǎng)絡(luò)短時交通流預(yù)測[D]. 齊璐.西南交通大學(xué) 2017
[3]基于布谷鳥算法的小波神經(jīng)網(wǎng)絡(luò)短時交通流預(yù)測研究[D]. 黃曉慧.西南交通大學(xué) 2016
[4]基于回聲狀態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測研究[D]. 吳佳東.蘭州大學(xué) 2016
[5]基于PSO-BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測算法的研究與應(yīng)用[D]. 封鵬.東北大學(xué) 2015
[6]基于集成學(xué)習(xí)的支持向量機(jī)預(yù)測優(yōu)化算法及其應(yīng)用[D]. 束詩雨.東華大學(xué) 2015
[7]基于混沌和小波神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測方法研究[D]. 金玉婷.西南交通大學(xué) 2014
[8]基于AdaBoost集成PSO-RBF的高速公路交通事件檢測算法研究[D]. 張樂.西南交通大學(xué) 2014
[9]基于遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型研究[D]. 李浩磊.西安電子科技大學(xué) 2013
[10]基于ESN的網(wǎng)絡(luò)流量預(yù)測算法研究[D]. 馮辰.北京郵電大學(xué) 2013



本文編號：3556104