一种基于核主元分析话务量特征提取方法.docVIP

一种基于核主元分析的话务量特征提取方法 　　摘 要:针对话务量的特点,提出了一种基于核主元分析的非线性的特征提取方法,该方法采用KPCA方法提取的非线性特征反映了原始输入输出数据之间的复杂关系,精简了网络输入数据阵的维数。通过仿真结果比较表明,基于KPCA??RBFNN的话务量预测模型比PCA??RBFNN模型具有较好的非线性数据处理能力,反映了该方法的有效性。 　　 　　关键词:话务量; 特征提取; 核函数; 主元分析; 神经网络 　　中图分类号:TP202.7; TP301.6文献标志码:A 　　文章编号:1001-3695(2010)06-2189-03 　　doi:10.3969/j.issn.1001-3695.2010.06.055 　　 　　Method of nonlinear character extraction in communication traffic based on KPCA 　　 　　ZHONG Bing??xiang, LI Tai??fu, WANG De??biao, SU Ying??ying 　　 　　(College of Electronic Information Engineering, Chongqing University of Science Technology, Chongqing 401331, China) 　　 　　Abstract:In view of the communication traffic feature, this paper presented a method of nonlinear character extraction based on kernel function principal component analysis(KPCA). Nonlinear character extracted by KPCA reflectd the complex relationship between original input and output data and simplified the array dimension of input data. By comparing simulation results, the prediction model based on KPCA??RBFNN has better ability to deal with nonlinear data than that prediction model based on PCA??RBFNN. The experimental results show that this method is very effective. 　　Key words:communication traffic; character extraction; kernel function; principal component analysis; RBFNN 　　 　　0 引言 　　话务量预测,是指通过分析通信网话务量的历史数据统计规律或相关因素,对未来网络可能出现的话务量进行估计和预期[1]。通信网话务量与经济生活密切相关,在日常工作中,常以周为单位安排活动,话务量呈现出以周为单位的周期性。受当天的经济和政治事件、天气等不确定因素影响,话务量有很大的随机性和突发性。由于受多种因素的交互影响,对于话务量的精确预测是非常困难的,作为一种时间序列数据,它具有一定的趋势性、随机性和周期性[2]。目前采用的预测技术,多限于简单函数的拟合预测,如惯性预测Kalman滤波等[2~4],这些技术相对简单,难以满足现阶段话务量的复杂变化方式。因此,对话务量特征提取方法的研究和引入新的预测模型,将具有重大意义。 　　主元分析法(PCA)通过提取输入变量的特征信息,降低了输入变量空间的维数,但PCA是一种线性化分析方法,不能有效提取非线性特性。而核函数主元分析法(KPCA)常用于非线性特征提取,其基本思想是通过非线性变换将样本数据从输入空间映射到高维特征空间,然后在高维特征空间利用PCA进行特征提取[5~8]。本文提出一种基于核函数主元分析法(KPCA)的特征提取方法,用KPCA提取非线性主元作为神经网络的输入,建立话务量预测模型,提高输入数据对话务量变化的敏感性,简化预测模型。 　　1 核函数主元分析法 　　1.1 主元分析的基本原理[5] 　　线性主元分析法对于经过标准化处理的输入矩阵xi(i=1,2,…,l),xi∈RN,先计算协方差矩阵为 　　C=1l∑li=1xixiT(1) 　　特征方程为λv=Cv(2)