基于小波核LS-SVM的网络流量预测

网络流量预测对大规模网络管理、规划、设计具有重要意义.支持向量机方法是近年来发展起来的新型机器学习算法,用于解决高度非线性分类及回归问题.介绍了基于小波核最小二乘支持向量机的网络流量预测方法,利用小波核函数的多分辨特性提高了支持向量机的非线性建模能力.通过对实测网络流量数据的学习,对未来网络流量进行预测.实验结果表明,取得了较好的预测效果.     

基于PSR-LSSVM的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传优化最小二乘支持向量机的网络流量预测方法。首先将相空间重构和最小二乘支持向量机参数作为遗传算法的个体,将模型预测精度作为个体适应度函数,然后通过遗传操作获得模型全局最优参数,最后通过网络流量仿真实验进行性能测试。结果表明,相对于传统预测方法,遗传优化最小二乘支持向量机提高了网络流量的预测精度,为网络流量预测提供了一种新的研究思路。     

基于遗传算法优化的LS-SVM井下场强预测

为了进一步研究井下电波传播损耗规律,提高场强覆盖预测准确度,提出使用基于遗传算法优化的最小二乘支持向量机方法对井下巷道的场强进行预测。首先通过软件仿真生成巷道场强数据,并将数据分为训练集和测试集;然后采用最小二乘支持向量机方法对训练集进行学习,并使用遗传算法对最小二乘支持向量机方法的参数选择进行优化,采用测试集对方法性能进行验证;最后将基于遗传算法优化的最小二乘支持向量机方法用于井下巷道的场强预测。仿真实验结果表明,基于遗传算法优化的最小二乘支持向量机方法能够有效提高井下场强预测的精度,可获得较好的预测效果。     

基于自适应粒子群优化LSSVM的网络流量在线预测

针对带混沌特性的网络流量在线预测,提出一种融合自适应粒子群算法(APSO)和递推式最小二乘支持向量机回归的流量模型。对流量序列嵌入重构得到多维状态输入矢量,将其作为初始LSSVM的训练样本,其中采用自适应粒子群算法对模型的特征参数、嵌入维数寻优,避免早熟停滞。对于在线预报过程中的吸收样本、删减样本采用核矩阵迭代式求解,动态调整回归机,使得模型具有在线学习能力,由此得APSO-LSSVM在线流量预测模型,并考察网络负荷度与嵌入维数关系。仿真实验表明:该方法能有效预测网络流量,实现较高精度实时流量估计。     

基于ACO-LSSVM的网络流量预测

为了提高了网络流量的预测精度,提出一种蚁群算法（ACO）优化最小二乘支持向量机（LSSVM）参数的网络流量预测算法（ACO-LSSVM）。将LSSVM算法参数作为蚂蚁的位置向量,采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,并在最优蚂蚁邻域内进行小步长局部搜索,找到算法的最优参数,建立了基于ACO-LSSVM的网络流量预测模型。仿真结果表明,相对其他网络流量预测算法,ACO-LSSVM算法提高了网络流量预测精度,更能准确地描述网络流量变化规律。     

网络流量预测的组合方法研究

网络流量是一种典型的时间序列数据,具有很强的滞后性和后效性。针对当前滞后阶数确定方法存在局部最优,耗时长等缺陷,提出一种网络流量组合预测方法(GS-GA-LSSVM)。首先采用地统计学(GS)快速确定网络流量的最优滞后阶数,然后根据滞后阶数对网络流量进行重构,最后采用遗传算法(GA)优化最小二乘支持向量机LSSVM(least square support vector machine)对网络流量进行建模预测。仿真结果表明,GS-GA-LSSVM对网络流量的预测精度优于参比模型,更能反映网络流量复杂的动态变化规律。     

基于遗传算法的LS-SVM参数优选及其在经济预测中的应用

针对最小二乘支持向量机的参数优选，提出用遗传算法优化其有关参数，以经济系统中的人口数据对它进行训练，并用于预测城市的人口。最后，把最小二乘支持向量机与传统的BP网络预测结果进行比较，结果证明，该模型的预测精确度是令人满意的，文中提出的方法是可行的。     

基于遗传算法优化支持向量机的网络流量预测

介绍了支持向量机用于时间序列预测的理论基础和遗传算法优化支持向量机参数的方法,首次把遗传算法优化参数支持向量机应用于两组实际网络流量的预测,并与BP神经网络和RBF神经网络方法进行了比较.结果表明:支持向量机相比较BP神经网络和RBF神经网络对网络流量的预测结果精度更高、性能更好.利用支持向量机预测网络流量是一种可行、有效的方法.     

基于ELM-LSSVM的网络流量预测

为了对网络流量进行准确预测,针对传统极限学习机的“过拟合”不足,提出一种极限学习机和最小二乘支持向量机相融合的网络流量预测模型（ELM-LSSVM）。该模型通过相空间重构获得网络流量的学习样本,引入最小二乘支持向量机对极限学习进行改进,并对网络流量训练集进行学习,采用仿真实验对模型性能进行测试。结果表明,ELM-LSSVM提高了网络流量的预测精度,实现了网络流量准确预测,并具有较强的实际应用价值。     

基于小波核LS—SVM的网络流量预测

网络流量预测对大规模网络管理、规划、设计具有重要意义。支持向量机方法是近年来发展起来的新型机器学习算法,用于解决高度非线性分类及回归问题。介绍了基于小波核最小二乘支持向量机的网络流量预测方法,利用小波核函数的多分辨特性提高了支持向量机的非线性建模能力。通过对实测网络流量数据的学习,对未来网络流量进行预测。实验结果表明,取得了较好的预测效果。     

基于自适应过滤法和马尔柯夫链的网络流量预测方法

提出了一种新的网络流量预测方法,该方法根据网络流量历史值,用自适应过滤法进行预测,然后用马尔柯夫链对自适应过滤法预测时产生的误差进行修正,从而达到较高的预测精度。应用此模型对实际网络流量进行预测,结果表明了该方法是有效可行的。     

基于自适应遗传算法的实现服务质量优化

服务质量优化问题是多维服务质量参数映射有限的资源问题,这个优化问题是一个NP－hard问题,我们采用通过改进流行遗传算法来解决这一棘手问题,于是提出了基于权的自适应遗传算法（weighted based adaptiv genetic algorithm) 通过实验说明这一算法优于目前为止最好的启示式算法和普通的遗传算法,算法运算时间短,鲁棒性强。     

基于Bagging算法和遗传神经网络的交通事件检测

提出一种集成遗传神经网络的交通事件检测方法,以上下游的流量和占有率作为特征,RBF神经网络作为分类器进行交通事件的自动分类与检测。在RBF神经网络的训练过程中,采用遗传算法GA（Genetic Algorithm）对RBF神经网络的隐层中心值和宽度进行优化,用递推最小二乘法训练隐层和输出层之间的权值。为了提高神经网络的分类能力,采用Bagging算法,进行网络集成。通过Matlab仿真实验,证明该方法相对于传统的事件检测算法能更准确、快速地实现分类。     

基于再励学习与遗传算法的交通信号自组织控制

提出一种基于再励学习和遗传算法的交通信号自组织控制方法.再励学习针对每一个道路交叉口交通流的优化,修正每个信号灯周期的绿信比.遗传算法则产生局部学习过程的全局优化标准,修正信号灯周期的大小.这种方法将局部优化和全局优化统一起来,克服了现有的控制方法需要大量数据传输通讯、准确的交通模型等缺陷.     

基于神经网络和遗传算法的锅炉燃烧建模与优化

通过对影响锅炉效率的物理量的分析,建立了以神经网络表示主要物理量之间关系的锅炉燃烧系统模型,并采用遗传算法对模型进一步优化,从而实现了对锅炉燃烧的优化.仿真结果表明,通过调整锅炉燃烧系统优化模型参数,该模型能够同时满足锅炉燃烧效率和降低污染物排放的要求,从而实现锅炉的节能低污.     

基于遗传算法的神经网络自适应控制器的研究

提出了一种基于遗传算法的神经网络自适应控制方法。该方法是针对ＢＰ算法训练神经网络控制系统时收敛速度慢、动态特性不够理想等不足，用改进的遗传算法来优化神经网络辨识器与控制器的参数，以提高控制系统的性能，仿真实验表明该控制器对于非线性、时变、滞后等对象都具有很好的控制精度、鲁棒性和动态特性。     

基于模糊C-均值和自适应遗传算法的小波域彩色信息隐藏算法

基于人类视觉系统的纹理掩蔽特性,提出一种基于模糊C-均值(FCM)和自适应遗传算法小波域彩色信息隐藏算法。首先对彩色载体图像Y分量实施整数小波变换;然后结合视觉纹理特性,对低频进行FCM聚类分析,将其分成3类:平滑区、纹理区、边缘区,并在不同的区域确定不同的嵌入强度和位置;最后,利用自适应遗传算法对logistic混沌映射的初值进行寻优,使其找到合适的初值,从而使秘密图像对载体图像的影响较小。实验结果表明:该方法不仅具有较好的透明性,而且在嵌入量方面也有很大的提高。     

基于改进遗传算法的网络路由优化研究

针对QoS多目标优化问题,提出一种改进的遗传算法,并将其应用到解决路由优化问题。该算法在路由器数学模型的基础上满足带宽、延迟、花费等要求,以资源消耗和负载均衡分布为目标,使得资源消耗最小同时负载均衡分布,从而降低网路拥塞的发生。仿真证明该算法具有一定的优越性。     

基于单亲遗传算法的管网优化

管网连通分析是管网空间分析中一个很重要的功能,即针对多种因素获取管网的连通路径,该问题可以抽象为求图的最小生成树问题,传统算法只能针对一种因素求出唯一的生成树.使用遗传算法进行最小生成树的求解,可以得出满足条件的一组解,从而便于对多种因素的综合考虑.结合管网的实际需求,采用单亲遗传算法提高个体的有效性,通过引入精英选择和自适应遗传算法,有效改善了早熟和过早收敛问题,并使用实例验证了其有效性.