基于PSO-Elman模型的网络流量预测

针对网络流量的混沌性特点以及传统神经网络处理网络流量预测问题易陷入局部极小导致预测精度不高的问题,提出在相空间重构基础上,采用粒子群算法(PSO)优化Elman神经网络初始参数的网络流量预测模型。首先对网络流量时间序列进行相空间重构,将重构后的流量序列作为模型的输入;再利用PSO算法全局搜索能力对Elman神经网络初始参数进行优化;最后利用训练好的Elman神经网络对网络流量进行预测。仿真结果表明,相比其他流量预测方法,基于PSOElman模型的网络流量预测提高了预测准确率。     

基于混沌时间序列和神经网络的网络流量预测方法

网络流量时间序列具有复杂的非线性和不确定性特征,故提出以相空间重构理论与递归神经网络相结合的网络流量预测方法。以相空间重构理论确定最佳延迟时间和最小嵌入雏数,重构网络流量时间序列。将重构后的时间序列运用递归神经网络来训练,得到合适的模型,并用于网络节点中网络流量的预测。将该方法应用于实际数据预测,其结果与传统的时间序列预测方法结果相比较,提高了预测精度和稳定性,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。     

相空间重构和正则极限学习机的网络流量预测

网络流量预测一直是网络研究技术中的热点,针对网络流量变化的时变性、混沌性,提出一种相空间重构和正则极限学习机的网络流量预测模型。首先收集大量的网络流量历史样本,并进行相应的预处理,然后根据混沌理论确定最优延迟时间和嵌入维数,并重构网络流量学习样本,最后采用正则极限学习机建立网络流量预测模型,并进行仿真对比实验。结果表明,相对于其它网络流量预测模型,本文模型可以更加准确描述网络流量的非线性变化特点,提高网络流量预测精度,预测结果具有一定实用价值。     

组合神经网络的网络流量预测研究

提出一种组合神经网络的网络流量预测模型.首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度.仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景.     

基于相空间重构与最小二乘支持向量机的时延预测

针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.     

基于遗传算法优化BP神经网络的预测建模

为了进一步提高基于BP神经网络的预测模型精度,本文针对BP神经网络收敛速度慢,参数选择随机等特点,采用了遗传算法对BP神经网络进行优化,并提出了一种基于遗传算法优化BP神经网络的预测模型,从而进一步提高预测模型的预测精度,通过对比未使用遗传算法优化的BP神经网络的预测模型发现基于遗传算法优化BP神经网络的预测模型在提升预测精度方面具有非常好的效果,是一种非常高效的方法.     

基于小波分解和支持向量机的网络流量组合预测

研究网络流量预测问题,网络流量具有突发性、周期性、非线性特点,传统网络流量预测模型无法建立准确预测模型,导致预测误差大,预测精度低.为了提高网络流量的预测精度,提出一种小波分解和支持向量机的网络流量预测模型.首先采用小波变换对网络流量进行分解,把网络流量不同特性成分分离出来,然后采用支持向量机对各分量进行预测,最后采用小波变换对各分量预测结果进行重构,得到网络流量的最终预测结果.仿真实验结果表明,相对其它预测模型,提高了网络流量的预测精度,为网络流量预测优化提供了可靠依据.     

遗传算法优化支持向量机的交通流量预测

交通流量预测是智能交通系统中的关键技术,针对当前交通流量预测模型存在不足,提出一种遗传算法优化支持向量机的交通流量预测模型。首先收集交通流量历史数据,并基于混沌理想对其进行相空间重构,然后将训练样本输入到支持向量机中进行学习,并采用遗传算法优化支持向量机参数,建立交通流量预测模型,最后采用测试样本对模型的性能进行测试。结果表明,相对于经典交通流量预测模型,本文模型可以更加准确描述交通流量预测复杂的变化趋势,提高了交通流量的单步和多步预测精度。     

改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测

为了提高网络流量的预测准确性,针对最小二乘支持向量机参数优化方法的缺陷,提出一种改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测模型。首先将最小二乘支持向量机参数作为粒子初始位置,然后通过粒子群之间信息交流、互相协作找到最优参数,并对惯性权重和学习因子进行改进,最后对网络流量数据进行重构,并采用最优参数的最小二乘支持向量机建立网络流量预测模型。实验结果表明,本文模型提高了网络流量的预测精度,并大幅度减少了训练时间,可以满足网络流量在线预测要求。     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

论三网融合

讨论了电话网、计算机网、有线电视网三种网络的优势与不足,并提出实现宽带多媒体综合服务网的最佳途径：将有线电视网由单向广播式改造为双向交互式网络,进一步从技术和国家政策上讨论这个途径的可行性以及其社会意义。     

阿尔卡特商用网的网络管理

网络管理技术的研究及其软件的开发是近年来通信领域的一大热点。本文从个人通信网的同发，介绍了Ａｌｃａｔｅｌ商用网的网络结构和相应的技术。     

传感器网络用于网络中心战

平台中心战和网络中心战的最大区别就是传感器、操作员以及决策者三者之间如何联系。文章提出了三种传感器网络的形态结构,论述了传感器网络用于网络中心战的优势,探讨了传感器网络的关键技术和面临的挑战,最后立足我军现有装备给出了对策和建议。     

下一代电信网的接入网

本文介绍了下一代电信网的接入网的定义定界及功能,同时对影响接入网在新时期发展的几个因素进行了分析,最后提出了下一代电信网中接入网设备的功能要求.     

网络虚拟化及网络功能虚拟化技术探讨

对网络虚拟化及网络功能虚拟化的需求及热点技术进行分析,并提出在运营商网络中的典型应用场景:数据中心网络、移动核心网络、家庭网络。数据中心网络虚拟化可灵活实现不同租户的安全、流量、性能策略,实现网络自动配置;演进分组核心网网元虚拟化通过网络功能虚拟化实现不同种类网络硬件架构的统一,解决容量增加带来的成本问题,解决业务灵活部署和增强的问题;家庭网络虚拟化可简化用户侧设备,通过减少用户终端设备的维护和升级进而降低运营成本,并提高业务部署的灵活性。     

网络编码在网络安全中的应用

网络编码的思想在1999年由杨伟豪和张珍首次提出,由Ahlswede等人进一步发展和扩充,安全的网络编码也随即提出。蔡亍和杨伟豪首先针对单信源有向无圈网络给出了安全网络编码的定义和模型,其他研究者也各自提出了不同的安全模型,如J P Vilela提出了轻量级安全的网络编码,K Bhattad提出了弱安全的网络编码等,另外还有抗拜占庭攻击的网络编码。网络编码理论亦在网络纠错中得到了应用,杨伟豪和蔡宁推广了经典纠错码,引入了网络纠错码,杨胜豪在杨伟豪和蔡亍研究的基础上,研究了线性网络编码的重量性质。     

基于IP网络传输的GSM无线接入网

介绍了基于IP网络的GSM无线接入网的网络架构。针对无线接入网各网元在IP传输中的变化进行了描述,并给出了GSM无线接入网由TDM向IP传输演进的方法。     

混合网络研究

自组织网和蜂窝网是移动通信系统的重要组成部分,融合两者的混合网络将可能成为未来移动通信系统的重要组成形式之一.文章介绍了混合网络的研究现状,分析了各网络模型的特性,并对混合网络中的关键技术问题,如框架结构、通信模式选择、信道分配、路由、计费、负载均衡,进行了探讨.文章认为混合网络通过其灵活的网络组建能力,不仅提高了对传统业务的支持,同时也为引入新服务创造了条件.自组织网络和蜂窝网络的融合将为构造下一代移动通信系统奠定基础.     

利用广电双向网络开通教育网专网业务

利用广电双向网络开通教育网专网是近期开展的一项增值业务,系统介绍了利用EPON＋交换机混合组网来构建教育网传输线路的方法,重点说明设备的配置方法和后期的维护方法。     

一种基于残差网络的改进网络流量分类算法

基于卷积神经网络的网络流量分类算法中,为了提高分类准确度,其结构设计日趋复杂,容易出现梯度下滑甚至梯度消失,导致预测准确度不升反降.文章提出了一种基于残差网络的改进流量分类算法,引入残差网络层代替传统卷积神经网络中的卷积层和池化层,不仅缓解了传统卷积网络因层次太深导致难以训练的问题,同时与传统卷积运算相比,所提出的残差...