无线局域网聚集业务流非平稳性检验*

无线网络业务特性分析是网络性能评价、规划、设计、管理和控制的基础。分析了真实无线局域网业务流的基本统计特性,并应用单位根检验方法检验无线局域网中的聚集业务流的非平稳性。实验结果表明,不论是下行的还是上行的聚集流在不同显著水平上存在非平稳性;同时对这些聚集业务流的一阶差分序列进行检验,结果表明差分序列都是平稳的,这说明下行和上行的聚集业务流均是含有一个单位根的非平稳序列,这为无线网络业务流的进一步建模提供了指导。     

基于自相似业务的RED算法性能研究

通过计算研究无线局域网中业务流的自相似性和仿真实验,研究无线局域网中基于自相似业务的RED算法的性能。仿真结果表明由于业务流的自相似性的负面影响和无线网络本身特点的影响,RED算法和Drop-Tail算法的性能差别不大。由于Drop-Tail算法简单易行、开销较低,建议在无线接入点采用Drop-Tail算法进行拥塞控制。     

集中式无线局域网流间干扰分析及资源分配机制

分析无线信道变化对集中式无线局域网下行业务性能的影响,指出流间干扰会导致所有下行业务流性能下降.提出一种基于信道状态的资源分配机制,该机制基于信道状态动态地调整业务流分组的传输次数,根据业务流的QoS需求,采用优先级调度算法调度分组.实验结果表明,该机制可以合理地分配资源,减小流间干扰带来的性能下降.     

无线局域网聚集业务流的二阶尺度特性分析

无线局域网业务流特性分析是网络性能评价、规划、设计、管理和控制的基础。应用小波能量谱方法对真实的无线局域网聚集业务流的二阶尺度特性进行分析,实验结果表明大部分上行和下行的混合业务聚集流在小时间尺度上的二阶尺度指数接近0.5,这说明在这个时间尺度上网络业务流呈现弱相关性,而在大时间尺度（秒级以上）呈现明显自相似特性。通过小波能量谱分析也发现,和Poisson过程相比,无线局域网聚集业务流在各个时间尺度上都具有明显的突发性。研究结果为无线网络业务流的准确建模及网络流量控制和优化无线网络资源提供指导。     

神经网络在洪水预测中的应用研究

对基于神经网络的洪水序列预测方法进行了研究.将动态学习率、惯性冲量方法改进的神经网络模型用于水文时间序列洪水预报中,提出以确定性系数最大为评价标准的参数优选方法.经两个洪水序列的实例研究结果表明,神经网络对于变化平缓的洪水序列,预报效果很好,对于彼动剧烈的复杂水文序列,洪水预报效果不如前者.     

802.11g无线局域网视频性能评价的仿真研究

无线局域网的发展和视频编解码技术的进步,让两者结合越来越紧密.但视频传输需要大量带宽确保,对时延有严格要求,让无线局域网的视频性能成为目前的一个研究重点.对网络视频性能的多种影响因素进行分析,结合无线局域网和主流视频编解码的特点,提出改进的802.11g无线局域网视频性能评价模型和基于视频业务的自适应的前向纠错算法,得到了H.264编解码条件下的视频性能结果,对前向纠错算法对视频性能的影响进行分析.     

模型输入对模糊神经网络预报模型的影响研究

为了探索模型输入对模糊神经网络预报模型预测性能的影响,研究了通过减少预报模型自变量组合的复共线性影响,并结合相似系数计算分析方法建立了一种新的模糊神经网络预报模型。以气象学科的逐日降水预报作为研究对象,利用这种新的模糊神经网络预报模型进行了实际预报试验,并与常规的模糊神经网络预报方法,中国气象局T213数值预报模式以及逐步回归预报方法的预报结果进行了对比分析。结果表明,这种基于条件数和相似系数计算的模糊神经网络预报新方法对49天降水的独立样本预报平均绝对误差为7.33 mm,预报误差比模糊神经网络预报模型下降了5.9%,比传统的逐步回归方法下降了14.9%,比中国气象局T213数值预报模式的预报结果下降了13.4%。显示了很好的应用前景。     

基于SMART_Polling机制的无线局域网的仿真建模

在OPNET网络仿真开发平台上,构建出基于SMART_Polling的无线局域网的仿真模型,描述了OPNET的建模过程,给出和分析了SMART_Polling机制下WLAN网络性能(吞吐量、媒体接入时延)的仿真结果。采用SMART_Polling机制实现WLAN,网络吞吐量性能优于基于CSMA/CA协议的无线局域网,系统接入效率高、灵活性强。     

无线局域网测试及评估模型的研究*

随着无线局域网的普及,单纯的协议分析和无线射频分析方法已不能满足无线局域网的测试需求,多方面的综合测试分析成为必要手段。因此从应用的角度,提出了一种无线局域网测试及评估模型。该模型从五个方面综合分析了无线局域网的性能并进行评估,可用于指导网络人员安装网络、测试网络性能、诊断网络故障、管理网络运行。     

基于802.11b的无线传输扩频技术

本文简单介绍了IEEE802.11无线局域网技术标准的发展和物理层特性,重点论述了基于802.11b传输技术的直接序列扩频(DSSS)和跳频扩频(FHSS)技术,并在性能上进行了分析比较.     

一种网络流量预测的小波神经网络模型

结合小波变换和人工神经网络的优势,建立一种网络流量预测的小波神经网络模型。首先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,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练。用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果。     

周相似特性下交通流组合预测方法研究

根据交通流量具有周相似的特性,构造了周相似序列。用霍特指数平滑法对周相似序列进行预测,用人工神经网络对残差部分进行预测。将指数平滑法与神经网络法相结合,以便发挥每种方法的优势,获得比单个方法更好的预测结果。实例分析表明,比单独使用ARIMA或单独使用神经网络方法,使用组合方法的预测误差最小,适合于实时的交通流预测。     

基于改进时空残差卷积神经网络的城市路网短时交通流预测

城市路网交通流预测受到历史交通流和相邻路口交通流的影响,具有复杂的时空关联性.针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化而容易忽略长期时间特征等问题,提出一种基于改进时空残差卷积神经网络(CNN)的城市路网短时交通流预测模型.该模型将原始交通流数据转化成交通栅格数据,利用皮尔逊相关系数(PCC)对...     

SVM和ANN在网络安全风险评估中的比较研究

支持向量机和人工神经网络是人工智能方法的两个分支,详细介绍了支持向量机和人工神经网络原理。建立了网络安全评估指标体系,将支持向量机和人工神经网络同时应用于网络安全风险评估的过程中,通过实例比较了两者的评估效果,结果表明了支持向量机在小样本情况下分类正确率普遍高于人工神经网络,具有较好的分类能力和泛化能力;同时在训练时间上也有绝对的优势。实践证实了支持向量机用于网络安全风险评估的有效性和优越性。     

一种基于神经网络的网络流量组合预测模型

Internet流量是具有相关和非平稳特性的时间序列,文中通过对过去一些流量模型的分析,构建了一种新的预测模型。该模型首先使用小波方法对网络流量进行预处理,然后分别使用线性神经网络和Elman神经网络进行预测,以保证能够描述流量的相关和非平稳性,最后把两种预测的结果通过BP神经网络合成为最终预测结果。通过对不同流量的一步预测和多步预测仿真,验证了组合模型比单一模型具有更高的预测精度。     

基于矢量空间重构的网络流量预测算法

客户机与服务器之间存在数据存储隐通道,对该通道的网络流量进行准确预测可避免网络拥堵,提高网络流量的调度和管理能力。传统方法采用线性时间序列分析方法进行网络流量预测,没有准确反映流量序列的非线性特征信息,预测精度不高。提出一种基于非线性时间序列分析和矢量空间重构的网络流量预测算法。进行相位随机化处理,使得网络流量数据离散解析化,把网络流量时间序列解析模型分解为含有多个非线性成分的统计量。采用自相关函数法求得矢量空间重构的时间延迟,采用互信息最小嵌入维算法求得网络流量序列的矢量空间嵌入维,实现流量序列的矢量空间重构。在高维矢量空间中,提取网络流量的高阶谱特征,实现网络流量的准确预测。仿真结果表明,采用该算法能有效拟合流量序列的非线性状态特征,对流量状态变化的动态跟踪性能较好,其预测误差比传统方法的低。     

基于小波变换和极限学习机的网络流量预测模型

为了提高网络流量预测准确性,结合网络流量的变化特点,针对当前网络流量预测模型存在的局限性,设计了基于小波变换和极限学习机的网络流量预测模型。首先分析了当前国内外网络流量预测研究现状,找到引起网络流量预测准确性差的原因;然后采用小波变换对原始网络流量时间序列进行去噪,得到无噪声的网络流量时间序列;最后采用极限学习机对网络流量时间序列进行建模,得到相应的预测结果。与当前经典的网络流量预测模型在相同环境下进行对照测试,测试结果分析表明,小波变换和极限学习机的网络流量预测精度达到了95%以上,网络流量预测误差得到了有效的控制,而且提升了网络流量预测效率,预测结果要远优于当前经典的网络流量预测模型。     

一种基于超统计理论的非平稳时间序列异常点检测方法研究

从非平稳时间序列的分布函数及其参数入手,主要研究分布函数不变分布参数变化的这一类非平稳的时间序列异常点检测方法,提出了基于超统计的异常检测方法,并将其应用于非平稳网络流量时间序列。从网络流量的非平稳和突发性特点出发,特别考虑到由于攻击流量所引起的流量特性的变化,结合超统计理论,主要研究分布参量的变化。根据超统计的理论,先应建立分布统计模型,研究分布模型不同参数变化对分布的决定性作用,从而将异常网络流量的检测研究转化成对慢变量参数序列的检测研究。该检测方法大大降低了计算的复杂度。通过大量实验表明该方法具有良好的效果。     

SA-SVR在移动通信话务量预测中的应用

根据移动通信话务量的时间序列,采用基于模拟退火(SA)算法对超参数选择的支持向量回归机(SVR)进行建模预测。比较ARIMA、人工神经网络和SVR 3种模型的预测效果,并对比研究网格法、遗传算法和SA 3种SVR超参数选择方法对预测效果的影响。实验结果表明,SA-SVR预测精度高、耗时少,是一种预测移动通信话务量的有效方法。     

基于支持向量回归机的公路货运量预测模型*

为了提高公路货运量预测的能力,应用基于结构风险最小化准则的标准支持向量回归机方法来研究公路货运量预测问题.在选择适当的参数和核函数的基础上,通过对成都公路货运量时间序列进行预测,并与人工神经网络、线性回归分析等方法进行了对比,发现该方法能获得最小的训练相对误差和测试相对误差.