基于小波神经网络网络流量预测.docVIP

基于小波神经网络网络流量预测 　　摘要：预测网络流量虽然有很多方法，但是用小波神经网络来进行预测是准确率最高的，这种方法集成了小波变换和神经网络的优点。本文主要对小波神经网络及网络流量预测进行了分析，进一步证明了小波神经网络的优势和可行性。 　　关键词：小波；神经网络；网络流量；预测 　　Abstract: predict the network traffic while there are many ways, but the use of wavelet neural network to predict accuracy is the highest, this kind of method integration of the wavelet transform and neural network advantages. This paper mainly to the wavelet neural network and the network traffic prediction are analyzed, and the further proof that the wavelet neural network advantages and feasibility. 　　Keywords: small wave. Neural network; Network flow; forecast 　　 　　 　　 中图分类号：F272.1文献标识码：A 文章编号： 　　 随着网络的迅猛发展，网络拥塞的现象越来越严重，此时预测网络流量显得如此重要。网络流量是一个复杂的系统工程，其具有很多特性，如突发性、长相关等。预测网络流量方法很多，如用小波变换、用神经网络等，这些方法虽然都能够实现预测网络流量，但是由于这些方法的局限性，预测结果的准确率有所不同。因此，找出一个准确率高的方法进行网络流量预测是非常关键的。 　　1.小波神经网络 　　1.1小波神经网络的结构形式 　　 小波神经网络其实就是小波分析理论与神经网络理论相结合的一种产物。这两种理论相结合可以分为两类：（1）“松散型”结合。这种类型的结合就是指小波分析作为神经网络的前置处理手段，主要提供输入特征向量，为神经网络做准备。经小波变换后，再向常规神经网络输入，进而使分类、函数逼近等功能实现。（2）“紧致型”结合。这种类型的结合就是小波分析和神经网络直接融合，采用小波函数来将常规单隐层前馈神经网络的隐节点激活，由小波函数的伸缩与平移参数来分别代替相应的输入层到隐层的权值及隐层阈值。 　　1.2多分辨小波神经网络模型的网络结构 　　 从理论上讲，小波理论对时间序列进行分解预测是可行的。已经有研究表明，小波变换可以解决一切能够用傅立叶变换解决的问题，小波变换在解决这些问题时不会损失任何东西，只是将我们通常观察问题的视角改变了。如果把流量曲线看作不同的信号分量叠加，分别预测各个分量，最后重新叠加各个分量预测结果，最后就能够将预测结果得到。其实利用小波方法就是这个过程来完成预测的。以下只对“松散型”小波神经网络进行分析: 　　 先对t时刻的原始序列f(t)进行小波分解，分解尺度为n，an(t)为t时刻第n层低频系数序列，dn(t)为t时刻第n层高频系数序列，an(t)、d1(t)、d2(t)…dn(t)作为神经网络的输入，再分别对每一层小波系数用神经网络模型进行预测，得到an(t+T)、d1(t+T)、d2(t+T)…dn(t+T)共n+l个预测值，最后将这些预测值合成就得到f(t+T)，即t+T时刻的预测值。根据以上假设，使用小波分析的变换对数据进行多分辨分解，即利用小波分解的特点，根据变化的频度将序列中变化频率不同的成分分解出来。由于小波分解可以使影响流量值大小的因素相对集中起来，因此分解后的小波分量具有明显的规律性，这就使得我们便于针对不同的规律采用不同的预测技术，从而可以达到提高预测精度的同时缩短预测时间的目的，提高整个模型的效率。 　　2.神经网络预测 　　 本实验选取了360个样本数据，将其生成小波分解所需的信号文件，如图1所示。 　　 　　 图1 历史数据 　　 对流量序列作多分辨分析。经过5层分解后的各层信号波形如图2所示。 　　 　　图2 小波分解结果 　　 将上述小波分解的各分量，经预处理成为样本向量后输入BP神经网络预测模型，得出各分量的预测值如图3所示。 　　 　　图3各分量预测结果 　　3.实验结果对比 　　 将各分量分别预测出后，重构各分量的预测结果，得到最终的流量预测结果。将BP神经网络模型与小波神经网络模型进行对比，在网络中采集了360组数据，对数据进行一定的操作后，分别测试两种网络，实验结