

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、隨著互聯網的使用量逐漸增加,網絡種類逐漸繁多,信息數據越來越龐大并且呈現出多變的動態(tài)特性,如何精確地對網絡流量進行預測從而實現對網絡運行狀態(tài)的有效管理,成為一個日益重要的問題。其中,如何建立一個精確而高效的流量預測模型是解決該問題的重點和難點,其對于網絡的測試、流量的控制以及網絡的設計規(guī)劃和質量保證等問題的研究,都有重要的意義。
本文主要對網絡流量預測模型進行研究和設計,具體工作有三個方面:
(1)介紹了網絡流量預測
2、的起源、發(fā)展狀況及其研究的意義,同時對網絡流量所具有的特性進行了分析和描述;
(2)重點介紹了小波分解理論和BP神經網絡的工作原理,并對兩者組合而成的小波神經網絡(Wavelet Neural Network,WNN)進行了介紹,同時著重分析了基于GA算法的WNN預測模型;
(3)針對基于GA算法優(yōu)化的WNN預測模型存在的不足,本文提出用具有正反饋機制和啟發(fā)式學習特點的蟻群算法(AntColonyOptimizati
3、on,ACO)代替GA算法,形成一種基于ACO算法優(yōu)化的WNN預測模型—WACONN預測模型。
該模型為了克服BP算法在網絡訓練過程中對初始權值、閾值比較敏感,且容易陷入局部最優(yōu)解的缺點,提出將ACO算法與BP算法相結合形成ACO-BP算法:首先利用ACO算法的全局尋優(yōu)能力為BP神經網絡提供較適合的初始權值和閾值,以降低BP算法由于對初始值設置不同而產生較大的差異性、且容易陷于最優(yōu)解等缺點,再利用BP算法進一步迭代尋取全局最優(yōu)
4、解。在進行仿真實驗過程中,該模型首先利用同時具有時、頻域描述特性的小波變換,將數據樣本分解成高頻分量和低頻分量;然后利用高、低頻分量的訓練集部分對基于ACO優(yōu)化的WNN預測模型進行訓練;接下來,將高、低頻分量的預測集部分輸入訓練好的模型,進行預測;最后將預測得出的高、低頻數據分量相疊加,得出最終的預測結果。
實驗數據表明,與基于GA算法優(yōu)化的WNN預測模型相比,本文提出的基于ACO算法優(yōu)化的WNN預測模型具有更好的預測精度和更
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于遺傳算法優(yōu)化小波神經網絡的網絡流量預測模型研究.pdf
- 基于灰色神經網絡模型的網絡流量預測算法研究.pdf
- 基于粒子群小波神經網絡的網絡流量預測模型研究.pdf
- 基于小波和FIR神經網絡的流量預測模型研究.pdf
- 基于優(yōu)化神經網絡的混合網絡流量預測模型仿真與實現.pdf
- 基于RBF神經網絡與蟻群算法的瓦斯預測模型研究.pdf
- 基于神經網絡的改進網絡流量預測算法的研究.pdf
- 基于神經網絡的網絡流量預測研究.pdf
- 基于蟻群算法的RBF神經網絡優(yōu)化算法.pdf
- 網絡流量預測中基于群智能優(yōu)化的SVM模型.pdf
- 基于蟻群優(yōu)化神經網絡的比較購物模型研究.pdf
- 基于小波神經網絡模型的民航旅客流量預測研究.pdf
- 基于改進蟻群優(yōu)化算法的神經網絡訓練的研究
- 基于小波技術和ARIMA模型的網絡流量預測研究.pdf
- 基于神經網絡的網絡流量識別算法研究.pdf
- 基于小波神經網絡的短時交通流量預測.pdf
- 基于小波神經網絡的河道流量預測研究與應用.pdf
- 基于多分形小波的網絡流量模型研究.pdf
- 基于蟻群算法優(yōu)化神經網絡的包頭地區(qū)中長期電力負荷預測.pdf
- 基于蟻群神經網絡的軟件老化趨勢預測.pdf
評論
0/150
提交評論