基于NH-DBNs的网络空间态势预测

结合网络空间态势研判的实际问题,对网络态势变量预测进行研究,提出基于NH-DBNs模型的网络态势预测方法,以解决现有模型单时序回归和忽略多变量之间相互影响的问题。给出了网络态势的呈现方式和态势预测的方法与流程。在同一个环境下进行对比实验,证明该算法符合实际应用环境,且能够提升网络空间态势指标预测的精确性,对辅助指挥者科学、合理、精确决策具有一定参考价值。     

基于LPC的语音谱分析

介绍了自回归模型、线性预测编码原理及其参数算法。对实际语音信号进行线性预测编码分析实验,重点讨论了实际语音信号线性预测时自回归模型参数求取及模型阶数确定,MATLAB仿真绘出了功率谱图。分析实验残差,研究表明线性预测编码分析对短数据的频谱分辨率效果明显。     

基于人工鱼群算法的网络流量预测方法

使用非线性预测模型支持向量回归算法建立预测模型,对具有明显非平稳性、混沌性以及非线性的网络流量进行预测研究。使用人工鱼群算法对支持向量回归算法的参数进行寻优,使用PSO算法对常规人工鱼群算法进行改进,使得人工鱼不依赖步长因子,仅对视野因子产生依赖,能够得到最优解。通过使用Logistic映射对人工鱼位置进行初始化,提高种群多样性,从而提高算法全局寻优能力,避免算法陷入局部最小值。最后使用MAWI数据集中的三组不同时间粒度的数据进行网络预测方法的实例分析,结果表明,所研究的人工鱼群算法具有较好的预测性能,能够满足网络流量预测的需求。     

电力企业售电量预测的评估分析

阐述电力企业售电量预测的方法，电力企业售电量预测的特点，探讨季节比例模型、改进的BP网络模型、元模糊线性回归模型，以及时间序列分析、回归分析、神经网络、灰色预测的算法预测，通过案例展示这些方法在电力企业售电量预测中的应用。     

基于协方差稳健模糊线性回归的系统负荷预测数学模型

针对统计学中基于线性回归分析的系统负荷准确预测问题,提出一种基于协方差改进稳健模糊回归的预测数学模型。通过引入协方差参数估计,对传统基于均值参数的稳健估计方程进行改进,以便降低对数据中异常点的敏感性,并对多元正态变量的渐近性质进行分析。结合模糊线性回归,将预测结果划分在一个合理的模糊区间,从而进一步排除异常点。实例测试结果表明,相比传统的模糊线性回归模型,提出的稳健模糊回归模型能够有效降低异常数据的影响,降低预测误差。     

基于BP神经网络模型的库存需求预测应用研究

人工神经网络技术发展至今在许多领域中得到了较好的响应。针对以数学统计为主要依据的传统库存预测方法存在的局限性,通过建立BP神经网络预测模型,设置服务水平约束条件,形成BP算法。在真实需求特性数据集的支持下完成了算法的仿真。对结果的精确度与合理性进行了讨论,并分析了BP算法与指数平滑法,线性回归法对比的优势体现。由BP算法产生的预测结果能够为企业制定库存计划,形成库存决策提供良好的建议。     

一种基于RF-SVM网络安全态势感知算法的应用研究

随着网络用户规模的大幅度增加,网络用户使用计算机的水平参差不齐,导致网络安全事故频频发生,提升网络安全态势感知已经成为研究的重点。本文提出了一种基于RF-SVM的网络安全态势感知算法,该算法引入回归思想,在网络入侵感知过程,充分地参考历史网络攻击数据,预测未来网络数据流中潜在的威胁,实验证明该算法能够有效地提升网络安全感知的准确度,降低预测误差。     

网络安全态势的云预测

针对现有网络安全态势预测算法存在的主观因素影响较大、预测结果与选取数据关联程度较高的情况,以云的网络安全态势预测规则挖掘算法为基础,提出了一个改进算法。该改进算法不仅拥有原挖掘算法无需对初始数据进行预先处理的优点,同时避免了预测规则与实际情况相孤立造成预测错误的情况,并通过实验验证了算法的可行性和有效性。基于云的网络安全态势预测改进算法,有效地提高了网络安全态势预测的准确性。     

乙醇浓度预测的多元线性回归模型建立及验证

设计了由光源、气室、探测器和控制器等组成的非分散红外吸收系统,往气室内通入不同浓度的多组分气体（含有乙醇、二氧化碳和水蒸气）,采用红外光谱仪进行光谱数据采集,得到多组分气体混合光谱图。根据数据集样本求解回归系数,建立了多元线性回归模型,并进行干扰修正以降低二氧化碳和水蒸气对乙醇浓度预测的影响。对建立的多元线性回归模型进行评价,结果表明:模型真实有效且具有良好的线性回归效果,可以用于预测气体浓度,乙醇、二氧化碳和水蒸气浓度预测误差均在可接受的范围之内,其中乙醇浓度预测误差最小,不超过2.0×10-4。通过干扰修正尽可能排除二氧化碳和水蒸气的干扰,能够较准确地预测乙醇浓度。     

基于改进BP算法的网络态势预测模型

准确的网络态势预测可以有效的减小网络拥塞程度。本文对网络拓扑和流量数据进行分析,提取了节点数、0D流数、大象流数、总流量等反应网络态势的参数,建立了基于BP神经网络算法的预测模型进行模拟,能够有效的预测上述参数的发展趋势,在网络管理中有较好的应用前景。     

基于季节指数趋势法预测10086话务量

研究了季节指数趋势法预测10086月平均话务量,以某省10086的历史话务数据为基础进行预测,并对比分析了预测结果与实际话务量。     

基于改进人口模型的微博话题趋势预测

趋势预测问题是当前社会计算中的研究热点,但微博平台的话题趋势预测还处在探索阶段。在分析、抽取和定义事件趋势的影响因素的基础上,改进了人口模型使其适用于微博趋势预测,然后将改进的人口模型映射在神经网络上,并利用遗传优化的神经网络对事件的趋势进行预测。实验证明,该方法对于预测网络中长期酝酿的事件发展趋势效果明显,能够有效地预测事件的爆发点和发帖量,而且适用于小样本预测问题。     

EWMA forecast of normal system activity for computer intrusion detection

Intrusions into computer systems have caused many quality/reliability problems. Detecting intrusions is an important part of assuring the quality/reliability of computer systems by quickly detecting intrusions and associated quality/reliability problems in order to take corrective actions. In this paper, we present and compare two methods of forecasting normal activities in computer systems for intrusion detection. One forecasting method uses the average of long-term normal activities as the forecast. Another forecasting method uses the EWMA (exponentially weighted moving average) one-step-ahead forecast. We use a Markov chain model to learn and predict normal activities used in the EWMA forecasting method. A forecast of normal activities is used to detect a large deviation of the observed activities from the forecast as a possible intrusion into computer systems. A Chi square distance metric is used to measure the deviation of the observed activities from the forecast of normal activities. The two forecasting methods are tested on computer audit data of normal and intrusive activities for intrusion detection. The results indicate that the Chi square distance measure with the EWMA forecasting provides better performance in intrusion detection than that with the average-based forecasting method.     

基于ARIMA模型的移动数据流量预测研究

移动数据流量预测对于运营商的业务发展和网络建设有重要的指导意义。本文介绍了ARIMA模型,并将其应用于移动数据流量的预测。实际结果表明ARIMA模型的预测精度比线性回归、局部拟合回归,神经网络模型都高,可作为移动数据流量的预测模型。     

Learning algorithms for a class of neurofuzzy network and application

A class of neurofuzzy networks and a constructive, competition-based learning procedure is introduced. Given a set of training data, the learning procedure automatically adjusts the input space portion to cover the whole space and finds membership functions parameters for each input variable. The network processes data following fuzzy reasoning principles and, due to its structure, it is dual to a rule-based fuzzy inference system. The neurofuzzy model is used to forecast seasonal streamflow, a key step to plan and operate hydroelectric power plants and to price energy. A database of average monthly inflows of three Brazilian hydroelectric plants located at different river basins was used as source of training and test data. The performance of the neurofuzzy network is compared with period regression, a standard approach used by the electric power industry to forecast streamflows. Comparisons with multilayer perceptron, radial basis network and adaptive neural-fuzzy inference system are also included. The results show that the neurofuzzy network provides better one-step-ahead streamflow forecasting, with forecasting errors significantly lower than the other approaches.     

Short-term traffic forecasting based on principal component analysis and a generalized regression neural network for satellite networks

With the rapid growth of satellite traffic, the ability to forecast traffic loads becomes vital for improving data transmission efficiency and resource management in satellite networks. To precisely forecast the short-term traffic loads in satellite networks, a forecasting algorithm based on principal component analysis and a generalized regression neural network (PCA-GRNN) is proposed. The PCA-GRNN algorithm exploits the hidden regularity of satellite networks and fully considers both the temporal and spatial correlations of satellite traffic. Specifically, it selects optimal time series of spatio-temporally correlated historical traffic from satellites as forecasting inputs and applies principal component analysis to reduce the input dimensions while preserving the main features of the data. Then, a generalized regression neural network is utilized to perform the final short-term load forecasting based on the obtained principal components. The PCA-GRNN algorithm is evaluated based on real-world traffic traces, and the results show that the PCA-GRNN method achieves a higher forecasting accuracy, has a shorter training time and is more robust than other state-of-the-art algorithms, even for incomplete traffic datasets. Therefore, the PCA-GRNN algorithm can be regarded as a preferred solution for use in real-time traffic forecasting for realistic satellite networks.     

数据挖掘技术在计算机病毒防御中的应用

计算机病毒的快速传播给计算机系统安全带来了严重威胁,数据挖掘技术可以在计算机病毒防御中发挥重要的作用。文中阐述了数据挖掘技术在计算机病毒防御中的应用,介绍了基于数据挖掘的计算机病毒检测方法、病毒特征分析方法及病毒分析方法,并分别从数据采集、数据处理、数据分析和应用建模4个方面讨论了数据挖掘技术在计算机病毒防御中的应用,最后探讨了数据挖掘技术的发展趋势。     

应用计算机加强天气预报信息管理的作用

天气预报,主要是借助卫星等现代化设备,实现对气象信息的检测,通过相关软件和模式的分析,实现对未来天气的预知、探测和发布,以满足人们对气象信息的需要。气象部门在进行天气预报探测过程中,根据计算机技术的运行特点和高效管理,全面运用计算机技术,有利于实现对天气预报信息的科学监测和管理,以推动天气预报技术的全面发展。本文对应用计算机加强天气预报信息管理的作用进行探讨,以实现对天气预报信息管理的全面认识,结合计算机的相关技术,制定合理的应用策略,以提高天气预报信息管理的准确性和科学性,进而促进天气预报技术的发展。     

基于复合模型的智能化移动通信话务预测

移动通信话务量作为一种时间序列,具有较强的非线性和随机性,而且易受节假日、旅游等客户行为及天气等其它因素的影响。尤其是话务量长期的发展变化,很难用传统的预测方法进行预测。根据移动通信话务量自身特点,采用复合模型,将话务量分为平稳期趋势分量、平稳期周期分量、节假日话务量,用综合评判的分段一元线性回归及模板匹配算法分别对趋势分量、周期分量和节假日话务进行建模。最后,开发了基于复合模型的智能化预测系统,在广东省某市试运行的结果表明：基于复合模型的预测方法比传统预测方法精度高。     

区域物流需求预测的应用研究

为了提高区域物流需求精度,综合考虑区域物流需求线性、周期性和非线性信息,提出了采用组合模型的预测方法.通过将各种单一预测模型看作代表不同信息的片段,通过BP神经网络对不同信息进行集成,充分利用各单项预测方法的有用信息,从而提高区域物流需求预测精度.通过上海市的物流需求数据对组合模型进行测试,实验结果表明,组合模型很好揭示了上海物流需求的变化规律,提高了物流需求的预测精度,为区域物流需求预测提供了一种新的思路和方法.