基于粒子群小波神经网络的网络流量预测模型研究

摘要

随着互联网规模的不断扩大和多样化网络业务的不断出现,网络流量数据呈现出越来越错综复杂的行为特征,如何对网络进行有效管理并使得网络提供更好的服务质量成为人们越来越关心的问题。其中,如何建立一个有效而准确的预测模型对网络流量进行预测,成为一个具有一定挑战性的研究热点,它对网络多样化的性能评价、拥塞控制、大规模网络规划设计以及业务的服务保障等重要问题的研究,都具有十分重要的意义。
　　论文对网络流量预测模型进行了研究。论文首先对网络流量的特征以及网络流量预测模型的研究现状进行了总结。然后,介绍了由小波变换和神经网络构成的小波神经网络预测模型(WNN模型),并重点介绍了我们以前工作中提出过的一种使用遗传算法优化小波神经网络的预测模型(WGANN模型)。接着,论文提出了一种基于粒子群小波神经网络的网络流量预测模型(WPSONN模型),为了提高预测精度并优化网络收敛速度,我们将比遗传算法收敛更快并具有更高预测精度的全局搜索优化的粒子群算法引入预测模型,对BP神经网络的权值及阈值进行优化。该模型使用具有多分辨率和单支重构特点的小波变换,将网络流量训练样本和预测样本分别分解为低频流量和高频流量,分别用于训练和预测。在使用训练样本对神经网络训练(即网络学习)的过程中,使用粒子群算法,通过重复迭代优化BP神经网络各层之间所有的连接权值及阈值,得到性能较优的神经网络。在预测网络流量时,将预测样本的低频和高频流量数据输入训练好的神经网络,分别得到各预测结果,然后将各分量进行叠加,得到预测模型的预测结果。最后,论文对提出的预测模型,与WGANN预测模型和WNN预测模型进行了对比分析。
　　针对本文所提出的预测模型,论文进行预测实验。实验结果表明,与WGANN预测模型和WNN预测模型相比较,提出的WPSONN预测模型具有更高的预测精度,并具有更快的网络收敛速度,是一种有效的网络流量预测模型。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 课题来源

1.2 网络流量预测的研究背景和意义

1.3 网络流量特征

1.4 网络流量预测模型的研究现状

1.5 论文主要工作

1.6 论文章节安排

第二章 小波神经网络预测模型

2.1 引言

2.2 小波变换理论

2.3 BP神经网络

2.4 小波神经网络

2.5 本章小结

第三章 基于遗传算法优化的小波神经网络的预测模型

3.1 引言

3.2 遗传神经网络原理

3.3 遗传算法优化小波神经网络预测模型

3.4 本章小结

第四章 基于粒子群小波神经网络的预测模型

4.1 粒子群优化算法基本原理

4.2 粒子群神经网络原理

4.3 粒子群优化小波神经网络的预测模型

4.4本章小结

第五章 实验与结果分析

5.1 WPSONN预测模型

5.2实验结果与分析

5.3 本章小节

第六章 工作总结与展望

6.1 工作总结

6.2 工作展望

致谢

参考文献

研究成果