基于小波支持向量机的VBR视频流量预测模型

针对VBR视频流量的时变性、突发性和非线性等特点,提出一种基于小波支持向量机的VBR视频流量预测模型(WSVM)。首先对VBR视频流量时间序列进行相空间重构,然后将其输入到小波支持向量机进行学习,建立VBR视频流量预测模型,最后采用仿真实验对模型性能进行测试。结果表明,相对于对比模型,WSVM提高了VBR视频流量预测精度,更加准确地描述了VBR视频流量的复杂变化特点。     

基于小波支持向量机的VBR视频流量预测

：VBR视频流量具有时变性、突发性和非线性等变化特点,为了提高VBR视频流量的预测精度,提出一种小波支持向量机的VBR视频流量预测模型(WSVM)。首先对VBR视频流量时间序列进行相空间重构,然后将其输入到小波支持向量机进行学习,建立VBR视频流量预测模型,最后采用仿真实验对模型性能进行测试,并与支持向量机、小波神经网络进行对比。仿真结果表明,相对于其它预测模型,WSVM模型提高了VBR视频流量预测精度,能够更加准确反映VBR视频流量的复杂变化规律。     

基于小波多尺度分析的网络流量组合预测方法研究

基于小波多尺度的分解和重构思想,将网络流量通过小波分解成不同尺度下的逼近信号和细节信号,然后分别单支重构成低频序列和高频序列。根据低频序列和高频序列的不同特性,分别采用自回归模型(AR)和线性最小均方误差估计(LMMSE)对未来网络流量进行预测,最后重新组合生成预测流量,通过对真实网络流量的仿真实验,结果显示该方法能比较准确地预测未来的网络流量。     

基于径向基小波核的多尺度小波支持向量机

普通支持向量机(SVM)方法用于多尺度回归建模时不能取得满意的精度,而现有的多尺度SVM算法存在只适合均匀分布的样本并可能收敛于局部极值等问题.为解决上述问题,本文提出了一种基于径向基小波核的多尺度小波支持向量机学习算法.文中提出并证明了一种新的径向基小波支持向量核,可提高小波SVM的训练速度和逼近精度.在此基础上,通过解一个二次优化问题可求出多尺度回归建模问题的全局最优解.最终得出的多尺度回归模型能够有效地逼近多尺度信号.仿真结果验证了所提算法的有效性.     

一种基于小波变换和PSR-LSSVM的P2P网络流量预测模型

提出一种基于小波变换、相空间重构理论和LS-SVM的P2P流量预测模型。首先将P2P流量分解为小波系数和尺度系数,然后分别对各个系数进行相空间重构,将重构的分量分别通过LS-SVM模型进行预测,最后用小波方法将各个分量的预测值进行再重构,得到原始流量的预测结果。仿真结果表明该模型的预测结果较传统的LS-SVM模型有更高的精度。     

一种基于小波变换和FIR神经网络的广域网网络流量预测模型

该文提出了一种基于小波变换和FIR神经网络的广域网网络流量预测模型,首先采用小波分解把网络流量数据分解成小波系数和尺度系数,即高频系数和低频系数,将这些不同频率成分的系数单支重构为高频流量分量和低频流量分量,利用FIR神经网络对这些分量分别进行预测,将合成之后的结果作为原始网络流量的预测。实验结果表明:采用该模型对实际的广域网网络流量数据进行预测,不仅可以得到较快的收敛效果,而且预测性能比现有的小波神经网络和FIR神经网络要好得多。     

基于尺度间和尺度内相关性的平稳小波红外图像去噪

提出了一种基于尺度间和尺度内相关性的平稳小波变换红外图像去噪方法.首先对红外图像进行离散平稳小波变换,分别对各个分解层的高频子带,利用不同尺度小波系数形成的系数向量,通过线性最小均方误差估计小波系数,获得各个高频子带的估计系数,再利用小波系数尺度内的邻域相关性对小波系数进行修正,然后通过小波反变换得到去噪图像.仿真结果表明,考虑尺度间和尺度内相关性的平稳小波红外图像去噪算法能有效地去除红外图像噪声,在信噪比和视觉质量上要优于单纯考虑尺度间相关性的去噪方法.     

多尺度高斯模型的短期负荷预测

为了准确地进行电力负荷的短期预测,借鉴小波分析中对函数进行多尺度表示的思想,文中在高斯过程模型的基础上提出了多尺度高斯过程模型.通过选择合适的尺度参数,采用计算预测均方误差值大小的策略获取最佳延迟时间和最优嵌入维数对,然后对西北某地区电力系统进行短期负荷预测.与传统的支持向量机、径向基函数网负荷预测方法相比,基于多尺度高斯过程模型的短期负荷预测方法预测精度与支持向量机方法相当,性能优于径向基函数.     

改进小波在调制模式识别中的应用

在分析提升小波应用在调制模式自动识别的基础上,提出了一种新的特征提取方法。该方法首先利用最优估计理论获得小波的最佳预测系数,根据最佳预测系数进行分解提取特征值,最后利用支持向量机分类器进行信号的分类识别。在求解支持向量机的参数优化问题中,提出了一种通用的解决方案,利用带惯性权重的粒子群算法来确定其最优系数。新方法提取的特征值经计算机仿真研究证明,该算法具有较好的工程应用性和有效性。     

时间序列预测问题中小波分解的应用研究

针对非平稳时间序列预测问题,将支持向量机理论和小波理论相结合进行预测.首先对复杂的非平稳时间序列进行小波分解得到相对平稳的分量,然后对相对平稳的分量单独用SVR建模进行预测,最后将得到的多个预测结果进行组合得到最终的预测结果.同时实验验证了其有效性.