- 1、本文档共3页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
2010年 4月 皖西 学 院学报 Apr.,2010
第26卷第2期 JournalofWestAnhuiUniversity Vol_26 NO.2
一 种改进的小波神经网络的网络流量预测算法
陈振伟,王 茜,黄继红
(皖西学院计算机科学与技术系,安徽 六安 237012)
摘 要:为了有效地对网络进行维护,提高网络性能,预知网络流量可以提前对网络出现的问题采取应对策略,从而对用户
提供更好的服务。在神经网络预测模型中把隐含层的传递函数用小波函数替换,并采用共轭梯度下降算法,建立了一个小波神
经网络的网络流量预测模型。通过实际流量数据对模型进行仿真,结果显示该模型与神经网络预测模型相比,该网络具有 良好
的预测效果,网络训练时间短,有效地提高了训练速度。
关键词:神经网络;小波函数;网络流量;共轭梯度
中图分类号:TP393 文献标识码:A 文章编号:1009--9735(2010)O2一OO36一O3
1 引言 经网络中加以训练,进行预测。这种小波和神经网络
随着计算机网络的迅速发展,目前的网络规模极 结合的方法,虽然有较好的预测效果,但本质上还是
为庞大和复杂,基于网络的应用急剧增长 。网络互联 神经网络预测,并没有从本质上改善神经网络训练速
环境的复杂,造成了网络的安全性和稳定性的降低, 度慢,容易陷入局部次优点,难以找到全局最小点的
从而影响了网络服务的质量。为了给用户提供优质 缺点。另一种结合方法是把神经网络隐含层的传输
的服务,网络的维护和管理显得尤为重要,如果能预 函数用小波函数代替,这样结合从本质上改变了预测
知网络流量,可在很大程度上方便网络的维护和管 模型的结构,并应用于每 日太阳光总的发热预测和电
理,并且能提前采取应对措施。因此网络流量预测对 力负荷预测上[][。
网络管理和维护是一项很必要的技术。 2 小波神经网络的网络流量预测模型
2.1 小波神经网络
现有的网络流量预测分为线性预测和非线性预
测。其中ARIMAE1]作为线性预测方法的代表得到 在小波神经网络流量预测模型中,直接以小波函
数代替常规神经网络的Sigmoid作为神经网络的隐
了广泛应用。ARIMA的理论前提是网络流量具有
节点激励函数,以小波的尺度和平移参数作为神经网
线性宽平稳过程特征。文献E2J提出并验证了网络流
络的权值和阈值参数,构成一个前馈型网络。
量具有多构性、自相似性、突然继发性。网络流量在
设平方可积函数 (z)∈L (R)的傅立叶变换
不同的时间频率尺度上具有 自相似性和多尺度特征。
为 (∞),且满足条件
因此ARIMA模型预测的精度低,无法准确地描述出 r佃
网络的全部特征。 I I∞l I ()l幽 ∞ (1)
J—。。。
人工神经网络的预测方法 3『]用于非线性预测的 则以函数 ()∈L。(R)为母小波,采用不同的
效果很好,从网络流量的特征来看,也是非线性的。 平移和伸缩因子,可生成一维小波函数系,即
从理论上来讲,神经网络可以任意精度逼近任意
文档评论(0)