云计算下的一种网络流量预测算法的研究

为了提高云计算下的网络流量的预测精度,提出了一种基于遗传算法的小波BP神经网络的预测模型。首先针对BP神经网络的不足,引入动量项进行改进,其次,在遗传算法中加入进化操作,提高了算法的整体效率,将改进后的算法与小波函数进行融合,整体优化了BP神经网络的阀值和权值进行优化。仿真实验通过与其他文献算法的比较,说明本文算法具有良好的收敛速度,有效的提高预测的精度。     

多分簇网络流量的小波尺度粒子群变步长检测

多分簇网络是蜂窝通信和移动数据传输的混合产物,多分簇网络流量具有时变耦合特性,传统方法采用功率谱局部特征分析方法进行流量的特征检测,效果不好。提出一种基于小波尺度耦合和粒子群优化分析的多分簇网络变步长检测算法,采用粒子群优化算法进行多分簇网络流量的特征提取和编码分析,采用小波尺度耦合方法变步长检测,引入小波变换,进行流量序列的尺度耦合分析,采用自适应变步长方法去除流量特征的虚假分量。仿真结果表明,采用算法进行网络流量的检测,能有效识别不同尺度下的网络流量特征,在流量预测中,通过变步长自适应控制,使得收敛速度很快,流量准确预测精概率为1,检测性能较好。     

基于神经网络算法的钢水脱氧合金化元素收得率预测

首先对神经网络理论进行分析,建立了BP神经网络预测模型,利用MATLAB神经网络工具箱予以求解,求解结果显示预测效果不佳。经过改进算法后,利用小波优化BP神经网络,此优化后网络有较好的对波动数据的处理。小波神经网络结果显示预测准确率在80%以上。讨论构建神经网络算法,以C、Mn两种元素作为例子对其收得率进行预测,并尽可能提高这两种元素收得率的预测准确率。     

基于BA-BP算法的企业经营状况评价模型

传统BP神经网络参数的选取是随机的,这样易使网络陷入局部最优,针对这一缺点,提出了利用蝙蝠算法优化BP网络参数的改进算法——蝙蝠-BP算法(BA-BP),并将其应用于企业经营状况的评价研究中。建立了基于BA-BP算法的企业经营状况的评价模型,运用测试样本对该评价模型与传统BP模型的预测效果进行了对比,仿真结果表明:BA-BP算法的预测精度比传统BP神经网络的预测精度高,所以基于BA-BP算法的评价模型能够有效地评价企业的经营状况。     

一种基于多标记学习的网络流量预测算法

通过对网络流量的准确预测提高对网络的调控和监测水平,避免网络拥堵,确保网络畅通。传统的网络流量预测算法采用粒子群算法,在处理大规模的流量数据时,容易导致信息发散和易陷入局部极值点,流量预测准确度不高。提出一种基于多标记学习混合差分粒子群进化的网络流量预测算法。构建多分簇的无线网络流量数据传输模型,对网络流量进行时间序列分析,采用粒子群优化算法分别比较网络信息流中的频率波动是否相同,对相同的进行合并,基于自回归移动平均算法,进行粒子群信息链特征优选准则设计,采用多标记学习混合差分粒子群进化算法,把网络流量数据嵌入到内核空间的超球体中,进行离线阶段的网络流量预测优化。仿真结果表明,该算法对网络流量预测的精度较高,误差减少,具有较好的应用价值。     

基于小波神经网络的电力负荷预测

小波神经网络是建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性。本文分析了小波神经网络的特点,建立了电力负荷的小波神经网络预测模型,设计了小波神经网络结构,给出了小波网络参数调节算法。对实际电力负荷预测算例,以及与BP网络的对比研究实验表明,小波神经网络对非平稳信号能进行有效地预测,比BP神经网络具有更高的预测精度。     

基于改进的PSO算法的小波神经网络

本文针对粒子群算法具有不易陷入局部极小、收敛速度快等特点,提出了一种基于粒子群的小波神经网络学习算法,优化了小波神经网络中的各个参数,并将应用于函数仿真试验。试验表明,该算法能减少迭代次数、提高收敛精度,是小波网络的有效训练算法。     

免疫-BP神经网络的入侵检测技术系统设计

为了能够及时检测出计算机网络系统中的入侵行为,提高网络系统的安全性,文章在BP对神经网络算法以及生物免疫算法分析后,提出了一种基于免疫-BP神经网络算法的入侵检测技术。利用免疫算法,对网络数据集进行特征提取、预处理后,再通过神经网络算法检测识别入侵者。这种检测技术可有效提高入侵检测的有效性、准确性,并且具有良好的鲁棒性。     

基于小波网络的电力系统短期负荷预报研究

本文结合小波和神经网络方法进行电力系统短期负荷预测的通用模型和方法的研究,建立了负荷预报的小波网络模型,确定了有效的算法求解小波函数线性组合的尺度和时延参数以及神经网络的权值。     

数据挖掘技术在网络舆情预测中的应用

提出一种数据挖掘技术的网络舆情组合预测模型。首先利用灰色模型GM模型对网络舆情进行预测,然后采用BP神经网络对GM模型预测结果进行修正,同时采有粒子群算法优化BP神经网络参数,最后采用某网络某热门话题对模型进行仿真实验。仿真结果表明,本文模型可以准确预测网络舆情变化趋势,提高了网络舆情预测精度。     

广域子空间异常网络流量预测概率置信度优化

为了提高对网络异常流量监测模型的置信度和准确性,降低虚警概率,防止漏报。需要对异常网络流量预测概率置信度区间进行优化设计。提出一种基于预测流量数据主特征建模与广域子空间重构的异常网络流量预测算法,提高预测概率置信度。把主特征建模投影到广域子空间中,获取网络异常流量数量的对偶子梯度预测结果,其表现为一组尺度,分析网络预测流量的概率置信度的伸缩变化,选用极大似然法对网络流量的预测概率置信度进行特征建模,得到概率置信度区间。提高预测置信度和精度。实验结果表明,该算法能有效提高异常网络流量的预测精度,通过在广域子空间中特征建模,保证了预测的概率置信度,减少预测误差,性能优越。     

决策树主分量特征优化跟踪及暂态性异常提取

为有效定位识别和提取网络流量序列的暂态性异常特征,针对网络异常流量特征扰动性和暂态性特点,提出一种基于小波分解的二叉分类回归决策树主分量特征优化跟踪特征提取算法。利用训练集建立决策树模型,采用二叉分类回归决策树模型进行主分量特征优化跟踪建模,利用双正交提升小波分解得到的各层细节信号对暂态性扰动特征的敏感性,实现网络流量异常特征的定位提取和识别。仿真实验表明,改进算法的抗干扰能力和分辨率提高显著,暂态性异常特征谱图分辨能力提高,异常特征分布谱清晰可见,展示了较好的特征提取和状态识别性能。     

基于尺度耦合特性分析的侦听网络流量扩张模型

在能量受限的侦听网络中,需要大量的信息交换,由于瓶颈节点的能量消耗无法满足侦听网络的流量需求,需要进行流量扩张模型构建。传统方法采用对偶子梯度法实现对侦听网络的流量扩张,方法只能考虑一种流量和节点的组合,适应性能不好。提出一种基于小波变换尺度耦合特性分析的侦听网络流量扩张模型,对侦听网络流量时间序列进行采集与分析,通过小波尺度耦合分析,对路由接收的调度任务指令数量做出有效预测,从而为调度模型的建立提供准确的数据基础。分析流量序列的瞬时频率线性变化规律,得到带宽频间谐振模型,通过小波尺度耦合特性约束,提高了流量的流通量,实现流量扩张。仿真结果表明,算法能有效提高侦听网络的数据流吞吐量,网络流量通道得到有效扩张,提高了侦听网络的安全性和通信效率,展示了较好的应用性能。     

基于粒子群重采样的网络流量解卷积测度提取

网络并发式流量特征具有信号时间可预测性,通过对网络流量的解卷积测度特征提取,提高对网络流量的预测性能。传统法方法采用粒子群优化算法实现对网络流量的特征测度盲解卷积分析,对原始信号的统计信息提取效果不好。提出一种基于粒子群退化重采样的网络流量解卷积测度提取算法,构建并发式网络流量序列采集模型,设计粒子退化重采样技术,将每个粒子的当前适应度值与其自身的个体最优值进行比较,如果优于个体最优值,得到粒子当前最优位置。仿真实验表明,采用该算法,收敛速度很快,在粒子群进化50代以内就可以实现成功收敛,对流量序列的测度特征提取结果准确,预测精度较高,展示了算法的优越性能。     

基于GRNN的网络出口流量预测

针对网络出口流量在时序上的复杂非线性特征,采用泛化回归神经网络GRNN（generalized regression NN）对网络流量时间序列进行预测。用自相关分析技术分析时间序列的延迟特性,据此确定GRNN神经网络的输入、输出向量,建立了基于MATLAB 6．5环境下GRNN神经网络的网络流量预测模型,并用黑龙江科技学院网络出口流量数据进行了验证。结果表明,该模型拟合精度和预测精度较高、计算速度较快。     

基于小波包分析和神经网络的铝电解槽阴极状态诊断

铝电解槽阴极的电压信号能够反应铝电解槽的运行状况。通过对采集到的铝电解槽的阴极电压进行小波包分解,对重构后的包含主要信息的特征信号作为神经网络的输入,为了提高诊断准确率,本文采用LM优化算法,仿真结果表明,改进BP网络加快了收敛速度,提升了故障检测准确率,同时采用其他样本数据进行测试,模型具有很好的泛化能力,具有一定的生产实践意义。     

改进的Wolf一步预测的网络异常流量检测

在网络预测算法中传统的预测几乎都没有考虑流量的自相似性和高斯性,仅仅利用最大Lyapunov指数进行计算机网络流量的混沌性检验,对网络流量的预测也仅仅是以计算得到的最大Lyapunov指数为前提,算法精度受限。提出一种改进的Wolf一步预测算法,对网络流量通过自相似的FGN(FGN,fractional gaussian noise)过程处理,得到替代原网络流量的新的序列,新的替代流量序列具有自相似性,从而进行预测。仿真结果准确检验了网络流量的混沌性,预测结果表明,改进的预测算法在略有缩短最大预报时间下,精度却高很多,预测的误差小于3%的点比例比原传统算法提高了20%以上。     

小波自反馈混沌神经网络的研究与应用

提出了小波自反馈混沌神经网络,分析了小波自反馈对混沌神经网络动力学行为的影响;将该暂态混沌网络模型应用于求解10城市旅行商问题(TSP),分析了小波自反馈对模拟退火的影响,得出了小波的自反馈是模拟退火的有效补充的结论;利用小波自反馈的伸缩平移优化了网络求解TSP的性能;最后研究了网络求解旅行商问题的内部状态的暂态混沌搜索、最大Lyapunov指数、混沌区域以及相空间的散度。实验仿真表明,小波自反馈的暂态混沌神经网络能够实现全局优化并具有较快的收敛速度。     

基于不变矩和小波神经网络的交通标志识别研究

研究了用于交通标志识别的小波神经网络模型,并描述了相应的算法,给出实验结果。实验结果表明,采用不变矩提取道路交通标志的特征,再利用训练速度快、优化性能好的小波神经网络作为分类器对交通标志识别具有很好的分类能力,对实现交通标志的精度识别提供了有力的支持。与传统的BP神经网络识别方法相比,小波神经网络的训练速度更快和识别率更高,能够满足在车辆自主导航系统中对交通标志识别的要求。     

动态参数神经网络的投资银行风险预测模型

针对传统神经网络算法在投资银行风险预测的应用中表现出预测准确性不高的问题,提出了一种基于动态参数优化神经网络的投资银行风险预测模型。首先根据动态合并与删减规则,对参数进行自适应动态调整,得到最为合适的神经网络模型,然后为了加速收敛和防止振荡,引入一个动量因子,最后修改误差函数,在保证网络训练误差尽可能小的情况下使网络具有较小的权值。仿真试验结果表明,本文提出的基于动态参数优化神经网络的投资银行风险预测模型相比较标准神经网络算法,具有更高的预测准确性。