本文關(guān)鍵詞：BP網(wǎng)絡(luò)組合預(yù)測(cè)在網(wǎng)絡(luò)流量預(yù)測(cè)中的應(yīng)用研究

  更多相關(guān)文章： 流量預(yù)測(cè) 組合預(yù)測(cè) 向量機(jī) 搜索算法 BP神經(jīng)網(wǎng)絡(luò) NetFlow

【摘要】：隨著Interne迅速發(fā)展及其應(yīng)用,網(wǎng)絡(luò)規(guī)模增大以及其應(yīng)用日益復(fù)雜,加之互聯(lián)網(wǎng)是一個(gè)較為復(fù)雜的非線性網(wǎng)狀系統(tǒng),為了實(shí)現(xiàn)數(shù)據(jù)的可靠傳輸及網(wǎng)絡(luò)資源的合理分配,網(wǎng)絡(luò)的監(jiān)控機(jī)制及其復(fù)雜行為特性的學(xué)習(xí)尤為重要。網(wǎng)絡(luò)流量預(yù)測(cè)的關(guān)鍵是通過(guò)對(duì)網(wǎng)絡(luò)流量正常行為的描述來(lái)分析未來(lái)網(wǎng)絡(luò)流量趨勢(shì),從而實(shí)現(xiàn)預(yù)知及報(bào)警。目前比較成熟的網(wǎng)絡(luò)流量預(yù)測(cè)方法包括基于時(shí)間特征的預(yù)測(cè)、基于支持向量機(jī)的預(yù)測(cè)、基于季節(jié)模型的預(yù)測(cè)、基于小波變換的預(yù)測(cè)等,每種方法都有自身的特點(diǎn)及其局限性。針對(duì)網(wǎng)絡(luò)流量預(yù)測(cè),本文提出一種改進(jìn)的BP網(wǎng)絡(luò)組合預(yù)測(cè)模型,主要工作如下:首先,單一預(yù)測(cè)在BP網(wǎng)絡(luò)中的應(yīng)用僅適于解決平穩(wěn)隨機(jī)的時(shí)間序列,本文基于BP神經(jīng)網(wǎng)絡(luò)將局部相關(guān)向量機(jī)(Local-Relevance Vector Machine)預(yù)測(cè)和支持向量機(jī)(Support Vector Machine)預(yù)測(cè)進(jìn)行組合,得到一種新的組合預(yù)測(cè)模型,拓寬了其應(yīng)用范圍,并提出了改進(jìn)的算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程包括正向傳播和反向傳播,將兩種方法的預(yù)測(cè)值作為訓(xùn)練樣本,先正向計(jì)算輸出結(jié)果及計(jì)算誤差,如果誤差過(guò)大,再反向調(diào)整閥值和連接權(quán)值,重新計(jì)算誤差,直到誤差達(dá)到一定標(biāo)準(zhǔn)。BP算法是一個(gè)自我學(xué)習(xí)過(guò)程,一般根據(jù)以往經(jīng)驗(yàn)選取學(xué)習(xí)率,隨著BP算法學(xué)習(xí)的進(jìn)行,其有效性難以保證,本文提出自適應(yīng)學(xué)習(xí)調(diào)整算法并加入動(dòng)量項(xiàng),來(lái)選取BP算法中適當(dāng)?shù)膶W(xué)習(xí)率,從而提高BP算法的性能。自適應(yīng)學(xué)習(xí)率調(diào)整的規(guī)則是:檢測(cè)權(quán)值的修正是否減小誤差,誤差增大或減小,學(xué)習(xí)率就會(huì)按一定倍數(shù)降低或增加,否則保持不變,直到學(xué)習(xí)過(guò)程趨于穩(wěn)定。其次,在BP網(wǎng)絡(luò)組合預(yù)測(cè)其中一個(gè)輸入——支持向量機(jī)預(yù)測(cè)中,提出一種改進(jìn)的布谷鳥搜索(Modified Cuckoo Search)算法來(lái)訓(xùn)練支持向量機(jī)的懲罰因子和核寬度。為解決全局尋優(yōu)能力和精度間的關(guān)系,根據(jù)不同階段的搜索結(jié)果,對(duì)布谷鳥算法的步長(zhǎng)大小進(jìn)行自適應(yīng)動(dòng)態(tài)調(diào)整,并建立預(yù)測(cè)模型。通過(guò)對(duì)比實(shí)驗(yàn),證明MCS-SVM算法比遺傳算法、粒子群優(yōu)化算法預(yù)測(cè)值的準(zhǔn)確率更高。最后,本文設(shè)計(jì)了網(wǎng)絡(luò)流量數(shù)據(jù)分析模型,基于NetFlow對(duì)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行采集并將采集的數(shù)據(jù)用于預(yù)測(cè)模型中進(jìn)行分析。實(shí)驗(yàn)結(jié)果表明,相比較單一的L-RVM模型和MCS-SVM模型的預(yù)測(cè),基于非線性BP網(wǎng)絡(luò)組合的預(yù)測(cè)性能得到有效的提高。
【關(guān)鍵詞】：流量預(yù)測(cè) 組合預(yù)測(cè) 向量機(jī) 搜索算法 BP神經(jīng)網(wǎng)絡(luò) NetFlow
【學(xué)位授予單位】：天津理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP393.06
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-13
• 1.1 研究背景10
• 1.2 研究現(xiàn)狀10-11
• 1.3 研究?jī)?nèi)容11
• 1.4 論文結(jié)構(gòu)11-13
• 第二章 基于局域相關(guān)向量機(jī)回歸模型的流量預(yù)測(cè)13-17
• 2.1 構(gòu)建相關(guān)向量機(jī)回歸模型13-15
• 2.2 非線性時(shí)間序列的局域預(yù)測(cè)15-16
• 2.3 基于局域相關(guān)向量機(jī)回歸模型的預(yù)測(cè)16
• 2.4 本章總結(jié)16-17
• 第三章 改進(jìn)的布谷鳥算法優(yōu)化SVM的流量預(yù)測(cè)17-24
• 3.1 網(wǎng)絡(luò)流量序列的相空間重構(gòu)方法17-19
• 3.1.1 延時(shí)的計(jì)算17-18
• 3.1.2 嵌入維數(shù)的計(jì)算18
• 3.1.3 最大Lyapunov指數(shù)的計(jì)算18-19
• 3.2 支持向量機(jī)方法19-22
• 3.2.1 核函數(shù)的選擇21
• 3.2.2 支持向量機(jī)的參數(shù)21-22
• 3.3 改進(jìn)的布谷鳥搜索算法22-23
• 3.4 MCS-SVM的流量預(yù)測(cè)模型設(shè)計(jì)23
• 3.5 本章總結(jié)23-24
• 第四章 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)24-31
• 4.1 BP神經(jīng)網(wǎng)絡(luò)24-25
• 4.2 BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)參數(shù)值的選定25-26
• 4.2.1 輸入、輸出層神經(jīng)元數(shù)的確定25-26
• 4.2.2 隱含層神經(jīng)元數(shù)的確定26
• 4.2.3 權(quán)值、閾值的初始值域的確定26
• 4.3 BP算法設(shè)計(jì)26-29
• 4.3.1 BP基本算法26-27
• 4.3.2 BP算法改進(jìn)27-29
• 4.3.3 BP算法模型設(shè)計(jì)29
• 4.4 BP網(wǎng)絡(luò)組合預(yù)測(cè)的模型設(shè)計(jì)29-30
• 4.5 本章總結(jié)30-31
• 第五章 實(shí)驗(yàn)與結(jié)果分析31-41
• 5.1 NetFlow采集數(shù)據(jù)31-35
• 5.1.1 NetFlow簡(jiǎn)介31-32
• 5.1.2 NetFlow工作系統(tǒng)32-33
• 5.1.3 NetFlow輸出流信息格式33-34
• 5.1.4 NetFlow數(shù)據(jù)采集34-35
• 5.2 數(shù)據(jù)整合預(yù)處理35-36
• 5.3 基于L-RVM模型的流量預(yù)測(cè)36-37
• 5.4 基于MCS-SVM模型的流量預(yù)測(cè)37-38
• 5.5 組合預(yù)測(cè)的結(jié)果分析38-40
• 5.6 實(shí)驗(yàn)總結(jié)40-41
• 第六章 總結(jié)與展望41-42
• 6.1 總結(jié)41
• 6.2 展望41-42
• 參考文獻(xiàn)42-45
• 發(fā)表論文和科研情況說(shuō)明45-46
• 致謝46-47

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 陳振偉;王茜;黃繼紅;;基于多神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)模型[J];計(jì)算機(jī)安全;2010年12期

2 于靜;王輝;;基于組合模型的網(wǎng)絡(luò)流量預(yù)測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2013年08期

3 葉苗;王勇;;基于支持向量回歸學(xué)習(xí)機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];桂林工學(xué)院學(xué)報(bào);2007年02期

4 張正本;翟海慶;;基于組合模型的網(wǎng)絡(luò)流量預(yù)測(cè)[J];河南機(jī)電高等�？茖W(xué)校學(xué)報(bào);2008年06期

5 周丹琪;喬國(guó)平;張泉方;;基于K-Factor GARMA模型的網(wǎng)絡(luò)流量預(yù)測(cè)[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年02期

6 姜明;吳春明;張e，

本文編號(hào)：1059899