Internet网络的访问直径分析

结合复杂网络理论与CAIDA授权的关于Internet网络的真实海量数据,从复杂网络理论角度对真实的Internet数据进行分析与研究.首先借助物理学和生物学研究的方法,将Internet网络视为具有生命涨落特征的活体系统,形式化定义了Internet物理特征量--访问直径.然后根据目标复杂系统涨落演化特点,提出了3种基于Logistic模型的、以带衰减因子的正余弦函数组合模拟振荡涨落的数学模型.使用浮点型遗传算法分别进行拟合实验,并通过实验结果对上述3种模型进行优选.最终优选模型的拟合准确度为97.87%,预测准确度为97.47%,准确度高,符合Internet网络真实数据变化情况.文中使用模型对较远未来网络情况进行了预测,并得出结论：从现在开始至2011年12月,将是Internet网络高速发展时期,之后发展速度变缓,并于2021年10月左右趋于稳定,此时Internet网络访问直径为10.2073跳.最后,应用文中模型重点预测出了2008年8月北京奥运期间Internet网络访问直径为10.7726跳,并得出奥运期间Internet网络效率较高的结论.     

基于随机神经网络的多步网络时延预测模型

网络时延的动态变化反映了网络路径的负载特征,对时延的精确预测是实施网络拥塞控制、路由选择的重要依据,建立了基于随机神经网络的时延预测模型,该模型克服了传统时间序列预测方法受随机干扰因素影响大、模型结构辨识过程繁琐,以及传统神经网络预测方法易于陷入局部极值、偏离全局最优的缺点.仿真实验表明,在提前单步和多步的预测中该模型比AR模型、RBF神经网络预测算法的准确度更高.     

基于流量预测的传感器网络拒绝服务攻击检测方案

在无线传感器网络中,如何准确和迅速地检测拒绝服务攻击,以保障网络设施的可用性,是一个极具挑战性的安全问题.文中采用线性预测技术,为传感器节点建立了简单高效的ARMA(2,1)流量预测模型,进而为传感器网络设计了一种基于流量预测的拒绝服务攻击检测方案--TPDD.在该方案中,每个节点独立地完成流量预测和异常检测,无须特殊的硬件支持和节点之间的合作;为了提高方案的检测准确度,提出了一种报警评估机制,减少预测误差或信道误码所带来的误报.模拟实验结果表明,ARMA(2,1)模型具有较高的预测精度,能够实时地预测传感器网络流量;TPDD方案能够在较少的资源开销下,迅速、有效地检测拒绝服务攻击.     

基于精确传感网络的智能交通系统交通流模型

首先介绍了基于精确传感网络的智能交通系统(ITS)相对于传统交通流传感器网络的优势;然后基于组合预测理论对这类网络的基本交通流模型进行了研究,在模型中引入了更加精确的交通流物理量,包括旅行时间、路段上游及下游的分类交通流量等变量,使所建立模型的可解释信息量更加丰富和易懂,该模型算法为动态算法。交通实测数据实验证明模型的拟合精度较高,拟合值与真值的平均绝对误差值控制在9s以内,平均相对误差值控制在5%以内,综合各个时段来看,预测的准确度都在90%以上。最后总结了基于精确传感器网络的智能交通系统在实际交通应用中的重大价值。     

基于窗口的网络流量组合预测模型研究

在通信网络技术发展的过程中,针对网络流量进行建模和预测的研究一直备受人们关注.为了更好地对网络流量进行建模和预测,有效提高网络的运行速度和利用率,加强网络管理建设,文中提出了网络流量组合预测模型,该模型由三次指数平滑模型和基于 BP 神经网络模型两个子模型组合而成.首先介绍了组合预测模型的预测机理,然后对三次指数平滑模型和基于 BP 神经网络模型两种子模型进行了详细介绍,最后运用实例进行了仿真实验.实验结果表明组合预测模型预测误差稳定在2%以内,取得了比较好的预测效果     

利用PSO-SA混合优化支持向量回归的径流预报模型研究

为了有效提高径流预报的准确度,提出一种有效的融合优化策略,采用基于粒子群和模拟退火算法相结合的混合方法同时优化支持向量回归核函数类型和内核参数,以此建立一种有效的混合优化支持向量回归径流预报模型。提出的方法为核函数选择和参数优化提供了一种有效途径。通过对广西柳州柳江径流实例分析,并与纯粹的支持向量回归模型对比,研究结果表明,该模型预测稳定,具有较高泛化性能和预测准确度,为径流预报提供了一种有效预测方法。     

基于ER的陀螺漂移组合预测模型

针对目前单一预测模型预测精度不高,使用范围受限的不足,利用D-S证据理论在数据融合中的优点,把证据推理(ER)与支持向量回归机预测理论有机结合建立了组合预测模型,提出了基于ER的组合预测算法,并以陀螺仪为例,实现了漂移预测.结果表明,该模型与算法是可行且有效的.     

基于近似熵测度的变权组合预测方法

提出一种基于近似熵测度的变权组合预测方法.首先,不同于传统的预测效果评价准则,从衡量样本序列复杂性的角度出发,以预测值误差序列的近似熵测度为评价效果准则,建立变权组合预测优化模型;然后,在变权组合预测权值分配问题上,为克服常规的均值估计法和回归分析法的不足,采用在线最小二乘支持向量机(LS-SVM)回归法,实现预测点加权系数的准确预测;最后,通过实例表明了该方法的可行性和有效性.     

基于灰色支持向量机的网络舆情预测模型

为了提高网络舆情预测精度,建立一种基于灰色支持向量机的网络舆情预测模型。首先对网络舆情数据预处理,然后建立网络舆情的GM(1,1)模型,并采用支持向量机对GM(1,1)模型的预测结果修正,最后通过仿真实验对模型性能进行测试。仿真结果表明,相对于传统预测模型,灰色支持向量机提高了网络舆情的预测精度。     

基于LSTM水稻产量预测

随着人工智能技术的不断发展，传统的人工经验预测方法已经不能满足现代农业发展的需求。近年来，基于深度学习的产量预测模型成为热门研究领域。针对水稻产量预测问题，基于长短期记忆网络（LSTM）建立一个水稻产量预测模型。该模型将天气特征、地理位置、风向作为输入特征并利用LSTM模型进行组合预测，以提高农作物产量预测的准确性。通过实验结果分析，验证了该模型的有效性。     

相空间重构和支持向量机相融合的网络流量预测

针对网络流量非线性、突变性和混沌性特点,利用相空间重构和支持向量机参数的天然联系,提出一种相空间重构和支持向量机相融合的网络流量预测方法。将网络流量预测精度作为建模目标,采用粒子群算法对空间重构和支持向量机参数进行组合优化,建立最优网络流量预测模型。仿真实验结果表明,相对于传统网络流量预测方法,该方法更加能够刻画网络流量复杂的变化特点,有效提高了网络流量的预测精度。     

基于二阶粒子群优化的支持向量机回归在炉龄预测中的应用

针对钢铁企业对炉龄预测精度要求高的特点,提出了基于二阶粒子群优化的支持向量机的炉龄预测方法。利用粒子群智能算法优化支持向量机的回归参数,可以避免按经验选取输入参数的盲目性,能有效地提高预测速度和精度。实例仿真结果表明用该方法对炉龄预测具有很高的精确度,远优于BP神经网络的预测结果。     

基于加权支持向量回归的网络流量预测

网络流量预测对于网络的安全和可用性至关重要,但是,传统的网络流量预测方法使用平均时间加权的方法进行预测,缺泛化能力导致预测精度低。基于每一个网络流量历史数据到预测点的时间间隔计算其时间权重,使用带时间权重的加权支持向量回归模型w-SVR预测网络流量。该模型因为其泛化能力和为每个训练数据设置单独的权重而提高了网络流量预测的准确性。模拟实验显示w-SVR模型相对于ANN和AR模型,预测错误率分别降低了37.4%和65.6%,而标准误差降低了46.2%和53.3%。     

话务量预测模型的建立与仿真研究

研究话务量预测精度问题,由于话务量受到节假日、周末等影响,记录数据浮动性大,存在周期性和时变性等特点。传统预测方法对工作日和节假日话务量采用同一个模型预测,导致预测结果不稳定,时高时低。为了提高话务量预测精度,针对话务量变化特点,提出一种支持向量机的话务量预测模型。利用话务量数据分正常工作日和周末两大类,再分别用支持向量机建立预测模型,采用模型对相应时间段话务量进行预测。实验结果表明,支持向量机模型提高了话务量预测精度,减少了预测误差,更准确刻画了话务量变化规律,为话务量网络管理提供了一种新的预测工具。     

Neural network based models for software effort estimation: a review

Prediction of software development effort is the key task for the effective management of any software industry. The accuracy and reliability of prediction mechanisms is also important. Neural network based models are competitive to traditional regression and statistical models for software effort estimation. This comprehensive article, covers various neural network based models for software estimation as presented by various researchers. The review of twenty-one articles covers a range of features used for effort prediction. This survey aims to support the research for effort prediction and to emphasize capabilities of neural network based model in effort prediction.     

基于多嵌入维数的风力发电功率组合预测模型

为了减小混沌系统的重构参数对预测结果的影响,提出了基于多嵌入维数的风力发电功率组合预测模型.分别使用线性加权算法和神经网络算法对单一的基于相空间重构的神经网络模型进行组合,既综合了各嵌入维数下的信息,又将各维数下的预测偏差进行融合,从而有效提高了预测精度.通过对黑龙江富锦风电场的功率时间序列进行验证,证实了该组合模型的有效性,神经网络非线性组合算法的预测误差小于7%.     

级联网络的软件可靠性预测

研究软件可靠性准确预测问题,软件存在动态失效性,且引起软件运行失效的原因具有随机性,不同可靠性模型预测相同软件得到的结果不一致,通用性比较差,导致预测精度低。为了提高软件可靠性预测精度,提出一种级联网络的软件可靠性预测模型。采用4种经典软件可靠性模型的输出作为BP神经网络模型的输入,利用各种单一预测模型的优点,建立一种新的级联软件可靠性模型。仿真结果表明,级联网络模型具有更高的预测精度和通用性,验证了级联网络预测模型对软件可靠性预测的有效性和良好的应用前景。     

基于PSO-LSSVM的网络流量预测模型

为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型（PSO-LSSVM）．首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型．仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律．     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

Analysis of early warning of corporate financial risk via deep learning artificial neural network

To forecast the financial crisis of manufacturing corporations more accurately, a risk warning model of corporate finance is constructed based on back propagation (BP) neural network to forecast the financial crisis. Firstly, based on the principle of index selection, the forecast indexes are selected and the index system of financial risk early warning is constructed. Then the index system is optimized by factor analysis. Finally, the BP neural network algorithm model is adopted to forecast the financial crisis of 200 manufacturing corporations in 2018 and 2019, and the forecasting results are compared with the traditional method. The results show that the prediction accuracy of the enterprise financial risk early warning model based on the BP neural network for 2018 is above 85%, and the prediction accuracy for 2019 is above 95%, or even 100%. Through comparison with other traditional methods, the prediction accuracy of the BP neural network in 2018 (above 88%) is higher than that of other algorithms (below 87%). In 2019, the prediction accuracy of BP neural network (above 90%) is higher than other algorithms (less than 88%). The accuracy of the proposed financial risk warning model is 95%, and the accuracy is at least 2% higher than traditional method, which prove that the risk early warning model constructed in this study can accurately forecast the financial crisis of the corporation. This study is of important reference value for the establishment of efficient financial crisis forecasting model under deep learning.