一种基于模糊神经网络的VBR MPEG视频流量预测模型

针对VBR MPEG视频流的复杂特性，充分利用人工智能方法的优势，提出了一种基于模糊神经网络的视频流量预测模型，利用模糊逻辑模型达到减少预测误差的目的，采用神经网络满足网络通信的实时性要求．实验结果表明，该模型比传统AR模型显著提高了预测的准确度和可靠性．     

数字媒体网络视频通信的智能流量预测模型

针对MPEG视频流的复杂特性,提出一种基于模糊神经网络的视频流量预测模型,并通过实验测试该模型的预测准确度和可靠性。     

基于神经网络的空中交通管制决策支持系统

随着民用航空运输的迅速发展，为满足更大的需求，减少管制人员的工作压力和工作量，设计了一个实时的空中交通管制决策支持系统。系统按照决策支持系统理论框架搭建，包括数据库、模型库、方法库、知识库和人机界面，其中主要模型和方法：空域流量预测模块，空域状态识别模块和冲突解决方案产生模块利用神经网络技术来实现，其中空域流量预测模块利用模糊神经网络技术。系统通过与近期真实数据相结合，进行仿真，取得较好的效果。     

模糊神经网络预测控制在配料系统中的应用

针对水泥生产过程中皮带配料系统的惯性、滞后、非线性及现场干扰频繁等特点,设计一种模糊神经网络预测控制算法,将模糊控制、神经网络与预测控制相结合,增强算法的自学习、跟踪与抗干扰能力,神经网络预测模型有效地补偿了传统预测控制基于线性模型的局限性.将该控制算法用于皮带配料控制系统中,仿真结果表明,物料流量控制效果优于传统的P...     

网络流量预测方法和实际预测分析

随着网络带宽的迅速增加以及各种网络服务的广泛应用,针对网络流量的建模以及预测日益重要并备受人们关注。为了更好地对网络流量进行建模和预测,文章一方面将现有的一些流量模型分短相关和长相关两类进行总结和分析;另一方面分析了常见的流量预测方法,尤其是神经网络、模糊理论以及小波分析。并在实际测量中,使用FIR神经网络模型对网络流量进行了实际的预测。最后,提出了流量预测在网络安全领域的应用前景和方向。     

财务困境预警的二阶段模型构建与应用

模糊神经网络汇集神经网络和模糊逻辑的优点,能有效避免神经网络的“黑箱”操作,但存在“维数爆炸”现象。将粗糙集和模糊神经网络有机集成,构建财务困境预警的二阶段模型：第一阶段利用粗糙集知识约简对数据集降维消冗,提取最优指标集;第二阶段以最优指标集设计基于模糊神经网络的财务困境预警模型。该模型融合粗糙集和模糊神经网络的特点,能提高网络结构的精练性、启发性和透明性。应用实例的结果表明该模型能有效克服“维数灾难”,避免数据噪声引起的模型过度适应,提高模型预测准确性。     

基于优化的粗神经网络在地质样品元素的预测研究

在神经网络中引入粗糙集理论和模糊聚类方法,实现建模预测。首先用粗糙集和模糊聚类进行属性约简,去掉冗余的属性。然后根据模糊逻辑规则获取合理的网络输入层、隐含层和输出层,建立优化的粗神经网络预测模型。该模型可以有效地去除神经网络中输入层的冗余神经元,合理地确定隐含层神经元的数目,使神经网络提高收敛性能,获得更好的非线性逼近能力。仿真实验结果说明:优化的粗神经网络预测模型,可提取有用信息,简化网络结构,减少训练时间,提高预测精度。在地质样品元素的预测实验中,取得了良好的效果。     

模糊神经网络与SARIMA结合的时间序列预测模型

模糊神经网络和SARIMA模型分别对非线性和线性时间序列有很好的预测能力,但在实际应用中大多数序列并非稳定、单纯线性或非线性的。为了提高预测精度,提出了一种基于T-S模糊神经网络与SARIMA结合的时间序列预测模型。针对悉尼航班乘客收入数据给出了三种混合模型,并与模糊神经网络、支持向量机、SARIMA和BP神经网络四种单独模型进行比较。实验结果表明,从预测精度和参数选择方面来看,所给模型是有效的。     

模糊小波神经网络的研究及其应用

针对小波神经网络训练时间较长且易陷入局部极小值的缺点,文章提出了将小波神经网络融合模糊算法的方法,并建立了模糊小波神经网络模型及其训练算法,给出了该模型在变频调速系统故障预测中的应用实例。应用结果表明,模糊小波神经网络提高了网络训练速度,达到了优良的函数逼近效果。     

模糊神经网络与SARIMA结合的时间序列预测模型

模糊神经网络和SARIMA模型分别对非线性和线性时间序列有很好的预测能力,但在实际应用中大多数序列并非稳定、单纯线性或非线性的.为了提高预测精度,提出了一种基于T-S模糊神经网络与SARIMA结合的时间序列预测模型.针对悉尼航班乘客收入数据给出了三种混合模型,并与模糊神经网络、支持向量机、SARIMA和BP神经网络四种单独模型进行比较.实验结果表明,从预测精度和参数选择方面来看,所给模型是有效的.     

Neuro-Fuzzy Modeling and Prediction of VBR MPEG Video Sources

The work presented in this paper intends to apply neuro-fuzzy methods for the modeling and prediction on traffic intensity of digital video sources which are coded with hybrid Motion Compensation/Differential Pulse Code Modulation/Discrete Cosine Transform (MC/DPCM/DCT) algorithm. Although current coding standards recommend constant bit rate (CBR) output by means of a smoothing buffer, the hybrid algorithm inherently produces variable bit rate (VBR) output. This paper describes the novel application of a fuzzy predictor for the purposes of modeling and prediction on video sources. The computation requirement of the fuzzy predictor and its neural network implementation are also discussed. The proposed fuzzy prediction method and its neural network version can be applied to the development of connection admission control, usage parameter control and congestion control algorithms in ATM networks.     

基于改进T-S模糊神经网络的交通流量预测

在萤火虫优化算法和T-S模糊神经网络的基础上,提出了一种采用萤火虫算法优化的T-s模糊神经网络预测交通流量的算法。该算法利用萤火虫算法得到T_s模糊神经网络的最优参数配置,从而能发挥T-s模糊神经网络泛化的映射能力。将该算法应用到实测交通流中进行算法的有效性验证,并与传统的T-s模糊神经网络和遗传算法优化的T-S模糊神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明了该算法在交通流量预测领域的可行性和有效性。     

基于模糊神经网络的ATM网络业务量智能预测

文章尝试将模糊神经网络方法引入ATM网络的业务量预测中。ATM网络业务源一般是随机产生的时变信号,其模型一般很难描述。文章充分考虑了模糊神经网络的学习功能,通过对相关模型的仿真,能够很好地描述ATM网络中的业务流特性,对多媒体的业务量做出了准确的预测。与传统的神经网络方法比较,具有更好的逼近效果。     

Connection admission control of ATM network using integrated MLP and fuzzy controllers

This paper presents a new approach to the problem of call admission control (CAC) of variable bit rate (VBR) traffic in an asynchronous transfer mode (ATM) network. Our approach employs an integrated neural network and fuzzy controller to implement the CAC controller. This scheme capitalizes on the learning ability of a neural network and the robustness of a fuzzy controller. Experiments show that this scheme is able to achieve high throughput and low cell loss while achieving fairness among different classes of VBR traffic. For comparison, we have also implemented four other CAC schemes: (1) peak bandwidth method, (2) equivalent bandwidth method, (3) average bandwidth method and (4) neural network quality of service (QoS) predictor. Results of these experiments are presented in this paper.     

基于蚁群粒子群的模糊神经网络交通流量预测

实时准确的交通流量预测是智能交通诱导和交通控制实现的前提和关键。针对城市交通流的特点,建立了模糊神经网络预测模型,并将全局优化的蚁群算法和粒子群算法组成递阶结构优化模糊神经网络的参数。算法中,主级为蚁群算法,进行全局搜索;从级为粒子群算法,进行局部搜索。仿真结果表明该模型能够取得比梯度下降法更高的预测精度。     

Prediction of service life of large centrifugal compressor remanufactured impeller based on clustering rough set and fuzzy Bandelet neural network

In order to predict the service life of large centrifugal compressor impeller correctly, the rough set and fuzzy Bandelet neural network are combined to construct the novel prediction model which can give full play to theirs advantages. The attribute reduction algorithm based rough set and clustering method is firstly designed to optimize the inputting variables of fuzzy Bandelet neural network. And then the prediction model based on fuzzy Bandelet neural network is proposed, the Bandelet function is used as the excitation function of hidden layer and is combined with fuzzy theory to improve the prediction effectiveness of the prediction model. The training algorithm of fuzzy Bandelet neural network is designed based on improved genetic algorithm, the improved genetic algorithm introduces the adaptive differential evolution method into the traditional genetic algorithm, which can effectively optimize the parameters of fuzzy Bandelet neural network. Finally, the original 30 input variables of fuzzy Bandelet neural network are reduced to 9 input nodes based on rough set using 500 remanufacturing impellers as research objects. The service life of remanufacturing impeller is predicted based on three prediction models, and simulation results show that the fuzzy Bandelet neural network optimized by improved genetic algorithm has highest prediction precision and efficiency, which can correctly predict the service life of remanufacturing impeller.     

改进的粒子群算法优化TSFNN的交通流预测

为提高T-S模糊神经网络在交通流量预测的准确性,提出了一种改进的粒子群算法优化T-S 模糊神经网络预测交通流量的算法。该算法利用改进粒子群算法通过群体极值进行[t]分布变异,使算法跳出局部收敛,使用改进的粒子群算法优化T-S模糊神经网络,能够优化网络参数配置,进而提高网络的预测精度。利用优化后的T-S模糊神经网络对实测交通流量进行预测,实验仿真表明优化的T-S模糊神经网络可有效提高交通流量预测精度,减小预测误差。     

基于增加动量项方法优化的交通流量预测算法

交通流量预测是智能交通系统的核心内容,系统中多个功能的实现都是以其为基础。针对城市路网中交通流量的时域性以及准周期特性,提出了一种基于改进小波神经网路算法的交通流量预测方法。利用具有时域分辨能力的小波神经网络对流量信号进行分类,以实现对交通流量的预测;采用加动量项的方法对网络权值及参数进行修正,避免了神经网络训练时收敛缓慢以及陷入局部极小。通过仿真实验验证,提出方法可实现对交通流量的准确预测,并且可以有效地提高网络学习率。     

基于Kalman优化的MPEG-4视频业务模型

提出了一种支持MPEG-4可比特率视频业务模型，用Kalman优化的方法，对未来帧进行线形预测，而不需要更多的先验信息，进行动态带宽分配，提高带宽的利用率，用这种方法，对MPEG-4业务进行建模，并利用该模型讨论了在不同带宽利用率的情况下丢包情况，实验仿真结果表明，该方法与实际视频业务在相同条件下的丢包率误差较小，适于实时视频业务的预测与资源预留。