基于小波神经网络的IP网络流量预测

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对BP神经网络预测准确率不太理想的情况,将小波理论引入BP神经网络,引用小波理论中多分辨分析技术对基于BP神经网络的模型进行改进,建立了基于小波神经网络的IP网络流量预测模型。该模型利用小波多分辨分析分解信号,再用已分解的信号序列来训练BP神经网络。实验结果表明,小波神经网络比BP神经网络对网络流量的预测结果精度更高、性能更好,利用小波神经网络预测网络流量是一种可行、有效的方法。     

小波神经网络预测模型的仿真实现

针对神经网络预测模型在对非线性序列进行预测时,容易陷入局部次优点,训练速度慢的缺点,在传统神经网络预测模型的基础上,引入小波作为隐含层的传递函数,构成新的预测模型:小波神经网络预测模型.介绍了小波神经网络预测模型的构建,仿真模型和仿真算法,并把小波神经网络预测模型在matlab7.0以网络流量的预测对模型进行了效果检验,得出了预测精度较高的预测结果,并且克服了容易陷入局部次优点的缺点,同时训练速度较之神经网络预测模型大大提高.     

组合预测模型在猪肉价格预测中的应用研究

本文在分析了神经网络、灰系统和时间序列预测模型的基础上,设计了将其中两种模型组合的预测方法。该方法的主要思想是利用回归预测思想将预测分为因素预测和结果预测两部分,并分别采用不同预测模型进行预测,从而达到提高预测精度的目的。利用该方法对吉林省近期的生猪价格进行预测,实验结果表明,该方法比单个预测方法有更好的预测效果,并且通过对不同组合的实验结果的分析发现,灰系统与神经网络相结合的方法具有更高的预测精度。     

基于“紧致型”小波神经网络的时间序列预测研究*

分析了“紧致型”小波神经网络的结构和特点。在利用神经网络分析时间序列预测方法的基础上,用方差分析的统计方法确定样本序列的长度,从而有效地确定神经网络输入层节点数。对太阳黑子年平均活动序列进行了训练和预测,并从网络本身的内在制约因素出发比较了小波网络和BP网络对时间序列进行训练和预测的差异,分析了两者出现差异的本质原因。将多分辨率的小波与神经网络的非线性逼近功能相结合的方法发挥了各自优势,明显提高了预测精度。     

基于提升小波变换的网络流量混合预测模型

当前流量预测模型难以准确刻画互联网流量的多重特性,并且存在构建时间长、预测精度低的问题.为此,设计基于提升小波分解的网络流量混合预测模型(WLGC).该模型利用提升小波将流量时间序列快速分解为分别具有低频和高频特性的近似时间序列和细节时间序列,近似时间序列利用最小二乘支持向量机(LSSVM)预测并通过广义回归神经网络(GRNN)进行误差校准,细节时间序列在半软阈值降噪后利用自适应混沌预测方法对其预测,最后使用提升小波重构得到时间序列的预测值.仿真实验结果表明,该模型可有效提高预测精度.     

基于提升方案的冗余Haar小波变换与时间序列预测

针对小波分析存在的边界问题，提出一种基于提升方案的冗余Haar小波变换(Haar_RLWT)。使用该方法得到的系数序列，在具备时移不变性的同时，消除了右侧边界存在数据畸变的现象，使小波分析技术结合神经网络等传统预测模型的方法应用于时间序列预测任务具备可行性。同时为进一步提高预测效果，引入神经网络集成技术以改善网络泛化能力。实验表明，该综合预测模型预测效果与稳定性优于传统预测模型。     

基于小波和神经网络相结合的股票价格模型

针对股票价格构成的时间序列具有随机性与偶然性,传统的单一模型很难满足建模要求的问题,提出一种基于小波和神经网络相结合的股票预测模型.将股票价格进行小波分解成尺度不同的分层数据,分别利用Elman神经网络预测各层数据,将各层的预测结果使用BP神经网络合成最终预测结果.通过实际的股票价格对该模型进行验证,结果表明,该组合模型具有较高的预测效果,可以提高股票价格预测的准确率.     

基于递归神经网络的网络流量组合预测模型

为了提高网络流量的预测精度,提出了一种基于Elman递归神经网络,小波和自回归的网络流量组合预测模型.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,对具有平稳特征的尺度系数序列用AR模型进行预测:而对体现了网络流量非线性、非平稳特性的小波系数序列使用Elman递归神经网络进行预测,最后通过Mallat算法重构得到网络流量的预测值.     

小波神经网络在股票平均线交易规则中的应用

股票市场是一个复杂的非线性动态系统,利用传统的时间序列预测技术很难揭示其内在规律,而近十几年来发展起来的神经网络理论逐渐成为非线性动态系统预测与建模的强有力工其。该文介绍了小波分析中的趋势提取技术,建立小波分析与神经网络相结合的预测模型,将该模型应用于股票平均线交易规则中,同时还与普通神经网络预测模型进行厂对比,研究实例表明,小波神经网络方法提高了预测精度,对移动平均线交易规则作了一种有效的补允,是股市技术分析的一种自效实用的方法。     

基于经验模态分解的小波神经网络预测模型

针对小波神经网络(WNN)在非平稳、非线性时间序列预测上无法实现自适应多分辨率分析,且其预测精度有待提高的问题,提出基于经验模态分解的小波神经网络预测模型。首先,对非线性、非平稳时间序列进行经验模态分解(EMD),以降低时间序列的非平稳性;然后对EMD分析得到的固有模态分量(IMF)和余项分别构建WNN模型;最后,汇总预测结果,得到预测值。通过数据验证,新模型的预测精度高于BP神经网络和WNN。     

调频Guassian小波在从NOWCAST图获取SST中的应用

温跃层对于潜艇的水下航行和战斗具有十分重要的意义。由于中国的现状，无法获取大量高精度的SST资料，给研究带来了很大的障碍。该文针对数据获取比较困难和数据精度不高的现状，提出了将图形的颜色表示从RGB空间转换到HIS空间来构造一时间序列，并对此序列用调频Guassian小波来进行分解和重构，其所得的低频信号能很好地还原出颜色变量中所包含地温度信息。经实验证明，该方法比传统的处理方法有了十分明显的提高，所得到的温度数据精度高，能满足温跃层研究的需要。     

基于时、频域上下文模型的图像压缩算法

结合离散小波变换和基于上下文的自适应算术编码方法，提出了一种基于时、频域上下文预测模型的图像压缩算法．它通过分析在不同子带内的小波系数和同一子带内的小波系数之间的相关性，建立一个时、频域的上下文预测模型，并通过对增加的条件熵的分析，合理地对该模型中的上下文进行量化，得到合适的编码上下文用于自适应的算术编码以降低模型开销．与此同时，这种算法的输出码流是嵌入式的，可以很好的满足渐进式的传输需求．试验结果表明，该算法在各种压缩比下都获得了比JPEG2000要好的压缩效果．     

Wavelets Analysis on Structural Model for Default Prediction

In recent years, to improve predictive ability of corporate defaults has become an important problem. In this paper, regarding on characteristics of listed companies, we sampled 100 companies according to industry types, constructed wavelet structural model, experimented with wavelet decomposition proceeds to get low frequency and high frequency sequence, built the prediction model for both sequences, and then using the prediction of future returns to reconstruct predictive returns, thus avoiding accumulated prediction process with earnings volatility of time series model, therefore enhanced the precision of default prediction. Finally we compared wavelet structural model with time series structural model based on the predictive default distance of China’s listed companies.     

超级计算机错误预测模型研究

错误预测对于提高计算机系统的运算稳定性有重要意义,日志分析是建立错误预测模型的有效方法。在同类型错误的时间预测模型的基础之上,通过日志分析建立了不同类型错误之间的关联模式,并在此基础上建立了基于关联模式的错误预测模型,填补了时间预测模型在错误发生后的短时间内无能为力的缺陷,提高了预测率,并在IBM的BlueGene/L的系统日志数据上验证了关联模式错误预测模型的有效性。     

基于小波变换与差分变异BSO-BP算法的大坝变形预测

针对现有大坝变形预测模型的预测精度不高、BP神经网络的参数和结构很难确定且容易陷入局部极值等问题,通过引入小波变换理论把原始的大坝变形序列分解成多个子序列,然后对每个子序列使用头脑风暴优化算法(brain storm optimization,BSO)优化BP神经网络的参数和结构.同时,把差分变异思想引入BSO算法,建立一种基于小波变换和差分变异头脑风暴算法优化BP神经网络的大坝变形预测模型.实验结果表明,与其他预测模型相比,所提出的预测模型具有更高的预测精度.     

基于小波技术的网络时序数据挖掘

网络安全日志数据库是一种历史数据,对它的分析具有十分重要的实际价值,作为一种时序数据库,针对它的信息挖掘已研究出许多方法。该文提出了一种新的对此类时序数据库的信息挖掘方法,利用小波变换多分辨率分析的方法对信号化后网络安全日志数据库中的数据在不同的时间尺度上进行分析和信息挖掘,从中提取出单位时间内网络受到攻击次数的时间周期规律,并对这种方法的分析特性进行了阐述,而且利用小波阈值重建的方法对原始信号数据进行去噪处理,收到了良好的效果。     

量子小波神经网络及其在漏钢预报中的应用

针对传统神经网络收敛速度慢,收敛精度低,以及用于模式识别泛化能力差的问题。提出了将量子神经网络与小波理论相结合的量子小波神经网络模型。该模型隐层量子神经元采用小波基函数的线性叠加作为激励函数,称之为多层小波激励函数,这样隐层神经元既能表示更多的状态和量级,又能提高网络收敛精度和速度。给出了网络学习算法。并以之在漏钢预报波形识别中的应用验证了该模型和学习算法的有效性。     

模糊神经网络技术的新近发展

本文从模糊系统与神经网络作为自适应模型无关估计器时智能特性的研究，模糊控制器的神经网络实现技术，改善神经网络学习性能的模糊控制技术，面向对象的模糊神经网络开发平台的研究等方面介绍了模糊神经网络技术的研究现状，并针对目前的模糊逻辑，神经网络，子波变换，遗传算法等的集成化技术进行了探讨，并融入了作者关于定性与定量知识有机集成的柔性核理论的基本思想。