基于EEMD与RBF神经网络的网络流量预测

网络流量预测对于网络性能和服务质量的提高具有重要意义。提出一种基于整体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)与径向基函数RBF(Radial Basis Function)神经网络的预测模型,利用EEMD将长相关流量转化为短相关流量并应用RBF神经网络模型对流量数据进行建模及预测,不仅降低了算法的复杂度,而且有利于网络流量的实时预测。仿真试验结果表明,相比于自回归分数综合滑动平均模型FARIMA(Fractional AutoRegressive Integrated Moving Average Mode)、RBF神经网络模型及EMD(Empirical Mode Decomposition)与自回归滑动平均模型ARMA(AutoRegressive Moving Average Model),该模型具有更高的预测精度和良好的自适应性。     

季节周期性Elman网络的网络流量分析与应用

针对静态前馈网络和Elman网络在网络流量预测中的不足,建立了一个基于改进Elman神经网络的流量模型,并提出了一种基于季节周期性学习方法,根据实际网络中测量得到的网络流量数据,对网络流量进行预测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性,应用于网络流量预测是可行、有效的。     

基于径向基函数神经网络的网络流量识别模型

提出了一种基于径向基函数神经网络的网络流量识别方法。根据实际网络中的流量数据,建立了一个基于RBF神经网络的流量识别模型。先介绍了RBF神经网络的结构设计及学习算法,针对RBF神经网络在隐节点过多的情况下算法过于复杂的缺点,采用了优化的算法计算隐含层节点。仿真实验证明,该模型具有较好的准确率、低复杂度、高识别效果和良好的自适应性。     

基于Elman神经网络的网络流量建模及预测

根据实际网络中测量得到的网络流量数据,建立一个基于Elman神经网络的流量模型,介绍Elman神经网络的架构设计,并提出一种基于正交最小二乘的学习算法,在此基础上对网络流量进行预测。仿真实验结果表明,该模型具有良好的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和更好的自适应性。     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

基于BP神经网络的非线性网络流量预测

传统的流量分析建立在线性模型的基础上，但是由于复杂的拓扑结构和网络行为，网络流量表现为一个非线性的系统。根据实际网络中测量的大量网络流量数据，建立一个时间相关的基于神经网络的流量模型，预测和分析网络流量状况。相对于传统线性模型该模型具有较高的预测精度、自适应性和鲁棒性。     

一种优化的RBF神经网络模型用于网络流量预测

采用径向基RBF神经网络对网络流量数据的时间序列进行建模与预测。采用传统的学习算法对RBF网络训练时,对网络流量数据容易出现过拟合现象,提出了自适应量子粒子群优化AQPSO算法,用于训练RBF神经网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改善了RBF神经网络的泛化能力。实验结果表明,采用AQPSO算法获得的RBF神经网络模型具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于改进的Elman神经网络的网络流量预测

在Elman神经网络的基础上提出了改进的网络,根据实际网络中测量的网络流量数据,建立了基于Elman神经网络的流量模型,分别用Elman神经网络和改进的Elman神经网络对实际网络流量进行预测,仿真实验结果表明,改进的Elman神经网络具有良好的预测效果,改进的Elman神经网络具有更高的预测精度和更好的动态性能.     

基于多神经网络的网络流量预测模型

实现网络QoS控制对于网络管理及维护相当重要,而网络流量预测对于实现网络的QoS控制可以起到十分重要的作用;另外,流量预测在入侵检测中的应用也受到越来越多的关注。网络流量预测极具现实研究意义。对多个神经网络预测模型进行有效的整合,建立了一个基于多神经网络的网络流量预测模型,并用真实的网络流量对该模型进行仿真验证,提高了其预测性能。     

CERNET流量行为季节预测模型

网络流量行为预测是网络行为学的一个重要研究方向 .常规的网络流量预测大多采用的是 ARIMA时间序列模型 ,但普通时间序列预测模型的参数难以估计并且模型较难处理非平稳时间序列问题 .本文基于时间序列的神经网络模型研究 ,根据网络流量行为的季节性特点 ,提出了季节型神经网络模型 .用模型对 CERNET网络流量行为的预测分析表明 ,该模型预测效果较好 ,结果合理 ,对进行网络实时监控及网络管理都具有一定的理论和实践价值 .     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

基于小波包的RBF神经网络网络流量混沌预测

为了提高网络流量预测准确率,提出了基于小波包的RBF神经网络网络流量混沌预测法(WPCRBF).充分考虑到真实网络流量的周期性和噪声的影响,提出了一种改进的时间窗口法来计算最佳嵌入维和时间延迟,并用于上述预测方法中.以真实网络流量数据为实验数据,分别用CRBF、基于小波的RBF神经网络混沌预测法(WCRBF)与提出的WPCRBF进行预测,实验结果表明,该方法能够较准确地对网络流量进行预测.     

基于云遗传的RBF神经网络的交通流量预测

以神经网络和混沌时间序列理论为基础,提出了一种基于云遗传的RBF神经网络优化算法。该算法利用云模型云滴的随机性和稳定倾向性的特点,由正态云模型的Y条件云发生器实现交叉操作,由基本云发生器实现变异操作,提高了遗传搜索的效率,精简了网络结构。将该算法应用到Logistic混沌时间序列和实测交通流时间序列进行算法的有效性验证,并与传统的RBF算法和遗传算法优化的RBF算法（GARBF）进行比较。仿真结果表明该算法对混沌时间序列和交通流预测的精度有较大提高,从而证明该算法在交通流时间序列预测领域的可行性和有效性。     

基于灰色径向基神经网络模型的流量预测与分析

根据神经网络能有效修正灰色预测模型的思路,本文提出了基于灰色系统及径向基神经网络的组合预测模型。通过采集园区节点交换机的流量数据,在分析网络流量时间序列特性的基础上建立灰色GM（1,1）模型,并采用径向基神经网络对预测模型残差进行修正。实验结果和仿真实验表明,组合模型效果及预测精度远优于单一灰色预测模型。     

基于非线性组合模型的交通流预测方法

为开发智能交通系统,提出一种基于RBF和ARIMA网络非线性组合模型的短时交通流预测方法,采用三层结构的RBF网络将2种单一预测方法——RBF和ARIMA网络进行非线性组合,利用实测数据对3类方法进行仿真实验,结果表明,非线性组合模型的预测准确性高于各自单独使用时的准确性,组合模型发挥了2种单一方法各自的优势,是短时交通流预测的有效方法。     

基于混合算法的通信用户规模预测方法研究

准确地对通信用户规模进行预测对于通信运营商的决策具有十分重要的意义,而现有的常规预测方法存在预测误差较大、预测速率低等问题。研究一种基于RBF神经网络的通信用户规模预测模型。为了使得RBF神经网络算法预测性能更优,使用梯度下降算法与遗传算法混合对RBF神经网络进行参数优化,提高预测模型收敛效率。实例分析表明,使用本文研究的混合RBF神经网络预测模型的预测结果明显优于其他传统的预测模型。同时,在预测速度上也具有较大的优势。