基于马尔可夫时变模型流量数据挖掘.docVIP

基于马尔可夫时变模型流量数据挖掘 　　摘要：随着网络技术的快速发展，目前网络的规模很大且有较大的复杂性，因此网络管理变得越来越困难和复杂，因此流量预测在网络管理中发挥越来越重要的作用。针对实际网络中收集到的大量实际流量数据，提出了一种基于时变网络的自适应网络流量预测算法，采用自适应学习率法，根据总误差增减变化趋势以及不同的改变来调整适应率；然后根据正向和反向的计算来校正各层的权重。仿真结果表明，与传统的时变网络相比，基于传播时变网络的自适应流量预测算法在预测结果中具有更好的性能，并具有较小的误差。 　　引言 　　传统的网络流量模型对数据中存在的大量冗余属性和噪声数据处理并不到位，使得模型系统存在占用资源多，运行效率不高等缺点。因此需要研究出能对数据特征进行约减，同时保证较高精度的流量模型。受人类大脑中的学习过程的启发，时变网络（TNN）在许多科学领域被采用，它利用互连的数学节点或时变神经元来形成网络来建模复杂的函数关系，可以帮助认知科学家了解时变神经系统的复杂性。时变网络模型中最受关注的是马氏反馈时变网络，它使用三层形式的时变网络结构，输入时变神经元层，隐藏时变神经元层和输出时变神经元层。 　　本文考虑到MARKOV可以以更好的泛化和容错能力操作，在网络流量异常后，提取特征向量，根据这些异常数据流的分析和处理，可以完全准确地表示数据流，然后将这些特征向量作为时变网络输入提