浅谈基于PCA的网络流量分析

网络流量的特性分析一直是通信网络性能分析的一个极其重要的问题。本文主要采用主成分分析(PCA)的方法对采样到的网络流量数据进行分析,发现这些流量数据呈现低维特性,仿真结果证明该方法可行。     

一种GA-PSO算法优化BP网络的网络流量预测

分析和研究网络流量的预测,对于网络信息安全和网络资源管理具有重要的意义。为了更有效、准确地对网络流量进行预测,提出一种GA-PSO算法优化BP神经网络的网络流量预测模型。首先采用BP神经网络建立网络流量预测模型,然后用GAPSO算法对BP神经网络的初始权值和阈值进行优化,最后利用网络流量的历史数据进行仿真实验。实验结果表明,经过GA-PSO算法优化后的BP神经网络模型能加快神经网络的收敛速度,提高网络流量的预测精度。     

基于RBF神经网络的网络流量建模及预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,网络流量预测对于网络管理具有至关重要的意义。根据实际网络中测量的大量网络流量数据,建立了一个基于RBF神经网络的流量模型,给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法,并基于该流量模型对网络流量进行预测。仿真结果表明,该模型具有较高的预测效果,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良好的自适应性。     

基于时空融合的网络流量预测模型研究

准确的网络流量预测能够合理分配通信网络的资源，有效提高网络的通信质量。然而通信网络复杂的拓扑结构和动态性给流量预测增加了难度。传统的流量预测模型存在预测精度低、特征单一等缺陷，经过对网络流量预测算法的研究，给出了一种新的基于时空融合的网络流量预测模型GAT-LSTM，用于学习网络流量的时空特征，并将该模型在数据集GEANT和Abilene上与传统的网络流量预测模型进行对比。实验结果证明GAT-LSTM具有更好的预测性能。     

基于小波降噪和改进免疫优化的BP模型网络流量预测

为了实现大规模复杂网络的流量预测,并改善传统BP网络预测模型存在的收敛速度慢和容易陷入局部最优的缺陷,提出了一种基于小波降噪和改进人工免疫优化BP神经网络的网络流量模型;首先,描述了网络流量预测的基本原理;然后,采用小波包降噪法对网络流量原始采样序列进行降噪处理,在此基础上定义了采用BP网络进行网络流量预测的算法,在确定了神经网络的结构后,采用训练数据和改进的人工免疫优化算法对BP网络中的参数即权值和阀值进行优化,从而得到最终的BP网络流量预测模型;最后,采用1 800组样本中的1 200组训练数据对网络进行训练后得到最终的BP网络模型,再采用剩余的600组测试数据进行流量预测;实验结果证明结合人工免疫算法和BP网络的网络流量预测模型能实现大规模复杂网络的流量预测,且较传统方法相比,具有收敛速度快、训练时间短和预测精度高的优点。     

一种基于核PCA的网络流量异常检测算法

对各种网络数据流量的异常检测引起了人们的兴趣。网络数据流异常的检测和定位对于保障网络的稳定安全运行极为重要。基于主成份分析PCA(Principal component analysis)的网络异常检测算法虽然具有较好的检测性能,但是基于PCA的网络异常检测算法前提是假设网络流量数据满足高斯分布,且对网络数据的非线性结构表示无能为力。为了解决该问题,引入核函数空间,提出一种基于核主成分分析的在线网络流量异常检测算法。该算法以矩阵分解的方式构建正常子空间和异常子空间,并实现网络流量异常的检测。仿真实验分析表明,该算法取得了很好的检测性能。     

一种基于小波变换的校园网流量预测方法研究

流量预测是实现网络管理与控制的重要前提。通过介绍网络流量特征,描述了网络流量预测基础理论,将神经网络与小波变换相结合,设计出一种紧致型小波神经网络流量预测算法,采用真实校园网流量数据对所提算法进行实验分析,并与相关方法进行对比。实验结果表明该算法是有效的。     

遗传算法优化BP神经网络的网络流量预测

为了提高网络流量预测精度,提出一种基于遗传算法优化BP神经网络的网络流量预测模型(GA-BPNN)。首先采集网络流量数据,并进行相应预处理,然后将网络流量训练样本输入到BP神经网络进行学习,并采用遗传算法对BP神经网络参数进行优化,最后采用建立的网络流量预测模型对网络流量测试集进行预测,并通过仿真实验对模型性能进行测试。结果表明,GA-BPNN提高了网络流量的预测精度,获得比较理想的网络流量预测结果。     

基于强化学习的网络流量非线性多步预测方法

网络流量具有分形特性,用线性方法来预测非线性的网络流量,预测精度不高.为了提高测性能,提出了网络流量的非线性多步预测同题,利用一种结合分形神经网络、强化学习的非线性多步预测方法,用多重分形性质将网络流量序列分解为短相关序列,设计了一种强化学习神经网络(MRLA)流量预测模型,利用强化学习的Q算法训练BP神经网络,预测尺度系数、计算权值,最后构建MRLA网络进行仿真,预测网络流量.实验分析显示,相对MMLP网络,新预测方法具较好的多步预测性能.     

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。     

基于PSO-BP神经网络的网络流量预测与研究

传统网络流量预测采用线性方法进行处理,不能很好地满足要求.根据互联网通信量的自相似性,提出一种基于BP网络的粒子群优化PSO-BP算法进行网络流量预测,用PSO算法对BP网络节点的初始权值进行优化,并利用历史记录训练BP网络,采用Matlab进行仿真.试验结果表明,PSO-BP算法加快了BP网络收敛速度,训练结果的均方误差函数mse在5%以内,提高了网络流量预测精度.     

自适应粒度的道路移动对象聚类算法

以往的聚类算法能够减少道路交通网络中移动对象与中心数据库的通信开销,但聚类粒度的大小是根据经验设定的.分析了影响距离聚类粒度大小的因素,提出用BP网络来训练历史数据,动态地获取距离聚类粒度值和时间粒度值,并把这些粒度值作为新的历史数据来训练网络,使得粒度值能够根据道路交通网络中因素的改变而动态改变,从而产生有效的道路网络聚类,减少通信开销,并预报道路交通的拥堵情况,为最优路径规划提供依据.     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

CPSO算法优化神经网络重构的网络流量预测

为了提高网络流量的预测精度,提出了一种混沌粒子群算法优化相空间重构和神经网络的网络流量预测模型(CPSO-BPNN)。利用混沌粒子群算法对BP神经网络初始参数、延迟时间、嵌入维数进行优化,根据延迟时间、嵌入维数对网络流量数据进行重构,BP神经网络根据初始参数进行训练建立网络流量预测模型,通过仿真实验对模型性能进行测试。结果表明,CPSO-BPNN可以准确描述网络流量的复杂变化趋势,提高了网络流量的预测精度。     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。     

电气机车整流电路的故障诊断仿真分析

利用电力电子器件和仿真功能软件对我国电气机车整流器常用的控制电路(单相串联3重联结电路)进行了故障分析诊断;在Matlab/Simulink环境下对单相串联3重联结电路进行了电路分析和仿真,并在其基础上,提出了基于BP神经网络故障分析的方法;基于BP神经网络,利用电路分析产生的故障数据,采用归一化(或标准化)进行数据预...     

基于PCA和随机森林的故障趋势预测方法研究

故障预测和健康管理技术(PHM)在现代工程系统中能够在系统具备较高复杂度的情况下,有效保障其可靠性和安全性。在机械故障诊断中对于采集到的原始数据的高维特征量的处理较为复杂,并且在实际应用中趋势预测的精度要求较高,针对该问题提出一种基于主成分分析(PCA)与随机森林算法的轴承故障趋势预测方法。该方法利用PCA对提取的原始轴承数据特征量进行线性降维,并选取其中主成分特征量,输出非线性时间序列数据。原始数据经过PCA处理得到非线性时间序列,将该序列作为随机森林算法的输入进行故障趋势预测,并把预测结果与BP神经网络模型预测的结果进行对比,结果表明随机森林在故障趋势预测上在精度相较于BP神经网络有显著提高,是一种有效的故障趋势预测方法。     

基于PCA的GABP神经网络入侵检测方法*

为克服BP算法易陷入局部最小的缺点,同时为减少样本数据维数,提出一种基于主成分分析(PCA)的遗传神经网络方法。通过降维和去相关加快收敛速度,采用改进的遗传算法优化神经网络权值,利用自适应学习速率动量梯度下降算法对神经网络进行训练。MATLAB仿真实验结果表明,该方法在准确性和收敛性方面都优于BP算法,应用于入侵检测系统中的检测率和误报率明显优于传统方法。