一种基于BP网络的局域网流量预测方法

在引入时间序列预测理论和人工神经网络理论的基础上,设计出基于BP神经网络的流量预测模型,给出了有效流量预测方案。在预测模型中加入了动态调用预测功能,使得所设计网络流量预测系统在灵活性和高效性方面得到了提升,并且具备较强的自适应能力。     

自适应遗传优化BP网络的研究与应用

针对遗传算法易出现种群多样性被破坏、早熟收敛的问题,在Srinivas的自适应遗传算法(AGA)的基础上,引入种群多样性的度量参数,提出一种改进的自适应遗传算法(MAGA),利用种群多样性和适应度的变化趋势调整交叉和变异概率,继而提出基于MAGA优化BP(back-propagation)神经网络的流量分类方法(MAGA+BP),兼顾了MAGA和BP算法分别在搜索全局和局部最优解方面的优势. 在剑桥大学共享的网络流量数据上进行了仿真实验,结果表明,MAGA较好地维持了种群的多样性,克服了AGA早熟收敛的问题,搜索到最优解的适应度提高了10.17%, MAGA+BP方法对流量数据具有较好的分类效果.     

模糊控制BP网络的遥感图象分类方法研究

针对遥感图象分类中经常采用的BP算法存在训练时间长、不易收敛缺点,提出了一种改进方法,即采用模糊规则有效控制BP网络学习率的方法,该方法使网络具有自适应能力,从而不易陷入局部最小,导致收敛速度大大加快,训练时间大大缩短。最后以徐州地区TM图象土地利用分类为例,将模糊控制BP网络模型同BP算法及学习率自调整算法进行了比较。结果表明新方法确实大大加快了网络收敛速度,一定程度上提高了图象分类精度,是一种有效的图象分类方法。     

一种基于进化BP神经网络的文本分类算法

提出并实现了一种结合BP神经网络和遗传算法的文本分类算法,根据遗传算法能够快速优化网络权重以及摆脱BP算法局部极点困扰的能力,提出一种改进的遗传算法确定网络拓扑结构和训练网络的方法．最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率．     

一种基于集成学习的流量分类算法

针对网络流量分类中类不均衡问题,提出一种基于K均值和k近邻的流量分类算法(traffic classification based on K-means and k nearest neighbor,KMk NN);以KMk NN为基础设计了一种集成分类器(ensemble classifier based on KMk NN,KKEC)。首先通过抽取不同的输入特征子集分别进行训练,获得不同的分类器,进而采取绝对多数与相对多数相结合的投票方式产生集成输出结果,最后采用非平衡数据集进行测试。理论分析和实验结果都表明,算法在面对非均衡协议流时提高了小类流的识别率。     

一种基于BP网络的改进

BP神经网络存在其固有的缺陷：收敛速度慢、易陷入局部极小、网络结构难以确定等.本文针对BP网络学习速度慢的缺点.用熵函数作为误差函数来对BP算法进行改进,提高了收敛速度和稳定性.通过对标准BP网络和相对熵方法在不同学习速率上收敛速度的比较实验证明,相对熵BP网络在收敛速度和稳定性方面有着明显的优越性.     

基于遗传算法的BP网络优化研究

提出了一种改进的自适应遗传算法(IAGA)，它利用网络结构的特点，采用前向自适应技术，实现对神经网络的有效训练．仿真实验表明，该算法优于BP算法和标准遗传算法(BGA)，网络训练质量和效率都有很大提高．     

一种BP神经网络学习率的优化设计

考虑到结构优化设计的实用性和模糊性.在大量智能计算的基础上,提出了一种动态BP神经网络的学习率优化方法,该方法如同Rough集理论的数据分类简约功能去掉了多余属性的样本数据一样,从而使神经网络拓扑结构优化.实验表明,这种方法简单、实用且快速收敛.     

基于改进BP网络的图像压缩

针对BP网络的图像压缩技术,提出了一种改进的BP网络局部学习自适应Silva-Almeida(SA)算法,该算法将训练过程分为加速、平稳收敛两个阶段的基础上,同时局部自适应调整学习速率和动量因数两个参数。经曲线拟合试验,其训练精度有较大提高,震荡现象得到进一步改善,训练速度加快。在图像压缩的仿真试验中,相对于目前常用的弹性BP算法(RPROP算法),该算法训练速度加快,重建图像质量有很大提高,利用该算法进行图象压缩可以获得更高的压缩比。     

基于遗传算法的BP网络优化研究

提出了一种改进的自适应遗传算法(IAGA),它利用网络结构的特点,采用前向自适应技术,实现对神经网络的有效训练.仿真实验表明,该算法优于BP算法和标准遗传算法(BGA),网络训练质量和效率都有很大提高.     

复杂样本分类系统的FAGABPNN法

针对复杂样本的模式分类问题,提出了有效的因子分析法(FA)、遗传算法(GA)和BP神经网络(BPNN)相结合的FAGABPNN分类方法,基本思想是:首先利用因子分析法对输入样本降维,然后利用遗传算法和BP神经网络相结合的方法对系统进行建模.仿真结果表明,该系统为给复杂样本的分类提供了一条有效的途径.     

复杂样本分类系统的FAGABPNN法

针对复杂样本的模式分类问题，提出了有效的因子分析法（FA）、遗传算法（GA）和BP神经网络（BPNN）相结合的FAGABPNN分类方法，基本思想是：首先利用因子分析法对输入样本降维，然后利用遗传算法和BP神经网络相结合的方法对系统进行建模．仿真结果表明，该系统为给复杂样本的分类提供了一条有效的途径．     

基于BP神经网络的艾滋病人病情分类研究

以美国艾滋病医疗试验机构ACTG公布的某一段时间内不同时刻艾滋病人CD4细胞数的5次检查值作为样本,将归一化处理后的样本数据作为BP神经网络的训练样本,病情类别特征编码作为网络输出。网络训练完成后,将艾滋病人某一段时间内不同时刻的5次CD4细胞数归一化后作为网络的输入,输出病情类别特征编码。此方法平均分类识别率高达88%左右,说明其对艾滋病人的病情分类比较成功,可以作为临床医疗的辅助手段。     

基于遗传算法的BP神经网络服装销售预测方法

针对服装企业产品销售的复杂性以及特殊性,提出一种有效的神经网络学习模型. 在对服装销售影响因子分析的基础上建立销售预测网络模型,利用遗传算法对后向传播神经网络的各连接权值进行优化计算. 方法综合了后向传播神经网格和遗传算法两者的优势,既具有神经网络强大的学习能力,又具有遗传算法的全局搜索能力.     

基于BP神经网络的城市道路交通安全评价研究

在综合分析国内外交通安全评价研究的基础上，针对我国城市道路交通安全的现状及存在问题，提出了采用基础数据、交通安全管理、公众安全评价3个方面共13项指标组成的面向城市交通安全可持续发展的评价指标集，构建了基于BP神经网络的评价模型，并结合算例详细分析了其计算方法．该方法对于提高交通管理部门的管理和决策水平具有指导作用．     

基于子空间聚类的网络流量分类方法

应用层网络流量分类技术对流量控制与管理等研究具有重要意义.针对传统的基于有监督机器学习的分类方法对所有应用程序使用相同的特征,使得某些特征对一种或几种应用类型有区分性,而对其他应用类型的网络流分类产生干扰等问题,提出基于子空间聚类方法的网络流分类框架.利用子空间聚类算法,在总特征集中为每一种类型应用进行特征选择,提取与之相对应的关键特征,自动消除不相关的特征,使得每种应用类型都产生对应的特征签名集,并用这些不同的特征签名对未知的网络流进行分类.实验结果表明:本文提出的方法能够有效地提出每种应用类型的特征签名,并且所提出的特征签名具有明显的可区分性,该方法的分类准确率在93%以上,并且能很好的识别新出现的应用.     

基于Bootstrapping的因特网流量分类方法

针对因特网流量分类面临的流量类别标记瓶颈和类别样本数分布不平衡,提出基于Bootstrapping的流量分类方法,使用少量有标记样本训练初始分类器,迭代利用无标记样本扩展样本集并更新分类器. 在构建扩展样本集过程中,将无标记样本在某后验概率分布下的正确分类行为视为一个概率事件,建立新的置信度计算方法,以减少扩展样本集中的噪声样本;基于概率近似正确学习理论建立启发式规则,注重选择小类样本加入扩展样本集,缓解类别样本数分布的不平衡. 实验结果表明,与初始分类器相比,基于Bootstrapping的流量分类器总体分类准确率可提高9.46%;与现有半监督学习方法相比,小类分类准确率提高2.22%.