小波消噪和蚁群优化支持向量机的网络流量预测模型

针对当前网络流量预测模型精度低的缺点,本文提出了一种新型的小波消噪和蚁群算法优化支持向量机的网络流量预测模型。首先采用小波阈值法对网络流量进行消噪处理;然后将网络流量输入到支持向量机中学习,并采用蚁群算法对支持向量机的参数进行优化,建立网络流量预测模型,最后采用实际网络流量数据进行仿真实验,结果表明,相对于其它网络流量预测模型,本文模型提高了网络流量的预测精度,具有更好的鲁棒性。     

改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测

为了提高网络流量的预测准确性,针对最小二乘支持向量机参数优化方法的缺陷,提出一种改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测模型。首先将最小二乘支持向量机参数作为粒子初始位置,然后通过粒子群之间信息交流、互相协作找到最优参数,并对惯性权重和学习因子进行改进,最后对网络流量数据进行重构,并采用最优参数的最小二乘支持向量机建立网络流量预测模型。实验结果表明,本文模型提高了网络流量的预测精度,并大幅度减少了训练时间,可以满足网络流量在线预测要求。     

基于小波分解和支持向量机的网络流量组合预测

研究网络流量预测问题,网络流量具有突发性、周期性、非线性特点,传统网络流量预测模型无法建立准确预测模型,导致预测误差大,预测精度低.为了提高网络流量的预测精度,提出一种小波分解和支持向量机的网络流量预测模型.首先采用小波变换对网络流量进行分解,把网络流量不同特性成分分离出来,然后采用支持向量机对各分量进行预测,最后采用小波变换对各分量预测结果进行重构,得到网络流量的最终预测结果.仿真实验结果表明,相对其它预测模型,提高了网络流量的预测精度,为网络流量预测优化提供了可靠依据.     

基于支持向量机的网络参数模型研究

使用模糊层次分析法对支持向量机的两个参数进行寻优,并用寻找到的最优参数训练支持向量机,建立网络参数模型。首先使用模糊层次分析法对支持向量机两个参数进行寻优,然后用寻找到的最优参数训练支持向量机,最后建立预测模型,预测网络流量。实验结果表明,该方法不但可以较好地跟踪网络流量变化趋势,使网络流量的预测值与实际值非常接近,而且预测误差变化范围波动小,是一种有效且预测精度高的网络参数模型。     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。     

改进支持向量机的光纤陀螺温度漂移补偿方法

温度漂移是影响光纤陀螺精度的主要因素之一,温度漂移建模和补偿是消除和减小温度漂移的有效方法。首先分析了影响光纤陀螺温度漂移的关键因素,同时进行了光纤陀螺温度漂移测试实验。然后采用泛化能力较神经网络更好的支持向量机对光纤陀螺温度漂移进行回归、建模,其中支持向量机的核函数采用了具有更好数据集适应性的径向基核函数。为了提高支持向量机的建模精度,引入人工鱼群算法对支持向量机的核心参数C（惩罚系数）和核函数的参数进行寻优。最后,使用实际的光纤陀螺温度漂移数据对提出的补偿方法进行实验验证,结果表明采用该方法补偿后的剩余光纤陀螺误差较采用线性回归方法减小了四五个数量级。     

基于EMD-GWO-SVR组合模型的短期风速预测

风速预测对风电场进行调度与控制具有重大意义。针对风速序列的随机性与间歇性，文中提出了EMD-GWO-SVR组合预测模型。先对原始序列进行经验模态分解，并应用GWO算法对支持向量回归模型的参数进行寻优。随后将寻优得到的最佳参数代入支持向量回归模型，并对分解后的本征模函数及残差项分别进行预测，将得到的各预测结果相加从而对风速进行预测。以甘肃省酒泉市的历史气象数据为例，建立BP神经网络、SVR、PSO-SVR、GWO-SVR、EMD-PSO-SVR和EMD-GWO-SVR6种预测模型，对该地的风速进行预测。仿真结果表明，文中提出的EMD-GWO-SVR模型预测精度相比SVR提高了61.759 8%,且其MAE、MAPE和RMSE等误差指标评价值显著低于其它5种模型。     

融合EMD与全局版人工鱼群LS-SVM的网络流量预测

为提高网络流量预测模型对稳定性和精度要求,提出了一种融合经验模式分解(EMD)和全局版人工鱼群LS-SVM模型的网络流量预测算法。该模型首先通过EMD分解,将原始流量的非平稳序列分解为若干不同尺度的平稳IMF(固有模态分量)分量,再用LS-SVM模型分别对各分量进行预测,其中LS-SVM的参数用全局版人工鱼群算法进行优化;最后通过SVM组合得到原始序列的预测值。仿真实验验证了该算法的预测准确性和稳定性。     

基于混合算法的通信用户规模预测

考虑到常规SVR预测模型及GA优化和PSO优化的SVR预测模型具有寻优结果稳定性差,容易陷入局部最优解等问题,将具有极强的鲁棒性能和全局搜索能力、能够快速跳出局部最优解等优点的人工鱼群算法与SVR算法进行混合,建立基于混合算法的预测模型。通过混合后的算法能够有效地使算法更快、更准确地得到全局最优解,避免了常规算法在人工鱼更新位置时没有全局信息,只有局部信息引起的收敛速度慢,精度低等问题。使用该混合算法预测模型以及使用传统的三次曲线拟合法和GA-SVR算法建立通信用户规模预测模型,针对2010—2012年通信用户规模进行预测,实验证明基于混合算法的通信用户规模预测模型的预测精度高,稳定性较好,相比另外两种算法,具有较强的优势。     

一种离散人工鱼群优化的部分传输序列算法

基于组合优化鱼群算法和PTS方法,提出一种离散鱼群优化的部分传输序列(DAFSA-PTS)算法.该算法通过设计新的鱼群移动行为策略,改善组合优化鱼群算法的寻优特性,通过替换人工鱼当前位置向量与较优位置向量中相应元素实现位置更新,使相位因子序列快速准确的向最优方向收敛,进而求得最低峰均功率比(PAPR).仿真表明:DAFSA-PTS算法的PAPR性能逼近于传统PTS算法,当子块分组数为12时,相差0.4dB,复杂度降低了85.35%;并且在相同复杂度下,优于粒子群优化的PTS算法,精度提高0.2dB.