用支持向量机网络实现VBR视频通信量的预测

VBR(Variable Bit Rate)视频信号具有时变性、非线性和突发性等特点,实现该信号通信量的高精度预测是提高信息传输速度和提高网络带宽资源利用效率的重要手段.针对以上问题,本文提出了一种用于VBR视频通信量预测的差分输入支持向量机(SVM:Support Vector Machine)网络模型.该网络模型采用结构风险最小化准则,在最小化经验风险的同时,尽量缩小模型预测误差的上界,从而使网络模型具有更好的推广能力.实验结果表明:支持向量机网络模型的预测误差为0.0018,而梯度径向基函数(Gradient Radial Basis Function:GRBF)神经网络模型的预测误差为0.0029.可以看出,支持向量机网络模型的预测精度要比GRBF网络模型的预测精度高出大约40%.     

智能集成VBR MPEG视频流量预测模型

作为数字媒体网络视频通信的主要方式,VBR MPEG视频流量的预测能力是直接关系缓冲区设计、动态带宽分配及拥塞控制等提高网络服务质量的关键因素.因此针对MPEG视频流的复杂特性,充分利用人工智能方法的优势,提出并建立了基于模糊神经网络的智能集成VBR MPEG 视频流量预测模型.采用模糊预测模型提高预测精度,利用神经网络解决预测的实时性问题.实验结果表明,与标准AR预测模型相比,该模型预测的准确度和可靠性显著提高,且算法简单易于推广到其他方法中使用.     

基于小波支持向量机的VBR视频流量预测

：VBR视频流量具有时变性、突发性和非线性等变化特点,为了提高VBR视频流量的预测精度,提出一种小波支持向量机的VBR视频流量预测模型(WSVM)。首先对VBR视频流量时间序列进行相空间重构,然后将其输入到小波支持向量机进行学习,建立VBR视频流量预测模型,最后采用仿真实验对模型性能进行测试,并与支持向量机、小波神经网络进行对比。仿真结果表明,相对于其它预测模型,WSVM模型提高了VBR视频流量预测精度,能够更加准确反映VBR视频流量的复杂变化规律。     

基于VBR视频流量预测技术的DVB-H复用器调度算法

DVB-H采用的时间分片技术对现有的复用器算法提出了挑战.本文在VBR视频流量预测技术的基础上提出了基于VBR视频流量预测技术的DVB-H网络复用器调度算法.本算法根据VBR视频码率的预测值,预先分配下一调度周期的带宽,满足了时间分片技术对复用器调度算法的要求.与CBR调度算法相比,本算法具有较小的时延和较高的带宽利用率.     

网络通信业务量的标值更新模型

本文利用标值更新过程，提出了一个较为通用的通信量统计模型。该模型可以对具有任意带宽分布和递减非凸自相关函数的通信量提供直接的拟合，不仅可以用于通信量的模拟，也可用于理论分析。讨论了该模型在通信量模拟中的应用，具有参数估计算法简单的特点，最后将该模型用于ＡＴＭ网络中的可变比特率视频源的模拟，数值结果表明其具有良好的模拟性能。     

基于小波支持向量机的VBR视频流量预测模型

针对VBR视频流量的时变性、突发性和非线性等特点,提出一种基于小波支持向量机的VBR视频流量预测模型(WSVM)。首先对VBR视频流量时间序列进行相空间重构,然后将其输入到小波支持向量机进行学习,建立VBR视频流量预测模型,最后采用仿真实验对模型性能进行测试。结果表明,相对于对比模型,WSVM提高了VBR视频流量预测精度,更加准确地描述了VBR视频流量的复杂变化特点。     

用于VBR视频通信量预测的梯度径向基函数网络模型

提出采用梯度径向基函数(GRBF,gradientradialbasisfunction)神经网络实现VBR(variablebitrate)视频通信量的预测,由于GRBF神经网络采用差分输入,能够消除由于局部平均值随时间变化而造成的不稳定性,特别适合于非平稳时间序列预测。仿真结果显示,GRBF神经网络模型的预测误差(相对均方误差)为2.9×10-3,而其它几种常见预测模型的预测误差在(1.6～8.5)×10-2之间。     

基于L—MBP神经网络的VBR业务预测

ATM网络中,利用实时预测技术进行动态带宽分配,可以极大地提高ATM网络资源的利用率以及VBR业务的QOS保障。针对传统BP算法训练周期冗长的缺点,本文提出用L-MBP神经网络对VBR业务进行实时预测,文中给出了VBR业务的预测模型,并对该模型进行了仿真。结果表明,本文给出的模型显著地改变了神经网络的学习速度。     

自相似VBR视频源业务流的建模和仿真

该文在对实际VBR MPEG视频源统计特性分析的基础上,参照分形高斯噪声自相似(Fractional Gaussian Noise Self-Similar)模型产生方法,实现了对ATM网络中最主要业务流VBR视频源流的建模,提出了改进方法,使得对实际源的仿真不仅考虑到了长期相关性,同时也兼顾到了短期相关性。仿真结果表明,经改进的自相似VBR视频源模型是一种较理想的模型。     

VBR视频流量的小波包分解及其长时预测

长时预测是VBR视频流量预测领域中的难点问题.针对其时变、非线性以及长相关性等特点,提出一种多尺度分解的VBR视频业务的特征提取方法.选择具有任意多分辨分解特性的小波包,对其进行空间划分并求解适合视频信号特征提取的最优分解基.基于最优基对视频信号进行快速多尺度分解,得到了各级节点的小波系数矩阵,建立了基于最小二乘支持向量机与最小均方的小波系数预测方法.最后,根据预测小波系数,进一步提出了基于小波系数逆变换的视频流量长时预测方法.仿真结果验证了此算法的有效性.     

用局域卡尔曼滤波算法和周期函数在线优化前馈网络的拓扑结构

提出采用周期函数取代单调上升函数作为激活函数，并在此基础上，为了加快网络收敛速度及在学习过程中自适应地得到网络的最佳拓扑结构，提出了基于广义卡尔曼滤波的自适应学习和删剪学习算法，并把上述算法应用于4点异或逻辑分类和时间序列预测中。计算机模拟结果显示，使用该周期激活函数，一个无隐藏层的二层感知机就能够解决异或逻辑关系问题。此外，提出的广义卡尔曼滤波学习及删剪算法不仅能够加快网络的收敛速度，而且能够在学习过程中自适应地优化网络的拓扑结构。     

Environment-adaptation mobile radio propagation prediction usingradial basis function neural networks

This paper investigates the application of a radial basis function (RBF) neural network to the prediction of field strength based on topographical and morphographical data. The RBF neural network is a two-layer localized receptive field network whose output nodes from a combination of radial activation functions computed by the hidden layer nodes. Appropriate centers and connection weights in the RBF network lead to a network that is capable of forming the best approximation to any continuous nonlinear mapping up to an arbitrary resolution. Such an approximation introduces best nonlinear approximation capability into the prediction model in order to accurately predict propagation loss over an arbitrary environment based on adaptive learning from measurement data. The adaptive learning employs hybrid competitive and recursive least squares algorithms. The unsupervised competitive algorithm adjusts the centers while the recursive least squares (RLS) algorithm estimates the connection weights. Because these two learning rules are both linear, rapid convergence is guaranteed. This hybrid algorithm significantly enhances the real-time or adaptive capability of the RBF-based prediction model. The applications to Okumura's (1968) data are included to demonstrate the effectiveness of the RBF neural network approach     

结构优化的RBF神经网络学习算法

文章提出了一种自动“删减”隐层神经元的ＲＢＦ神经网络学习算法。模拟结果表明，该算法训练的ＲＢＦ网络不仅结构得以优化，同时性能良好，可能成功地应用于模式分类和时间序列预测问题中。     

Resource allocation using adaptive linear prediction in WDM/TDM EPONs

This letter discusses dynamic-wavelength and bandwidth-allocation (DWBA) algorithm for differentiated services in hybrid WDM/TDM EPONs (Ethernet passive optical networks). We integrate the traffic estimation for variable-bit-rate (VBR) video traffic with the resource allocation to satisfy the increasing demand of video streaming services. A new DWBA algorithm using an adaptive linear prediction model is proposed to estimate the bandwidth required by VBR video traffic arriving during the next waiting period, so that the DWBA algorithm can assign wavelength and bandwidth more effectively. Simulation results show that the proposed DWBA-ALP algorithm can significantly improve the delay jitter performance for both CBR and VBR services.     

基于优化神经网络算法的电离层foF2预测

为了提高基于反向传输（back propagation,BP）神经网络的电离层f_oF₂预测的精度,采用了一种改进粒子群优化神经网络的方法,对BP网络的初始权值进行优化,防止出现神经网络训练中的局部最优.通过比较基于粒子群优化的神经网络预测结果与遗传算法优化的神经网络预测结果,我们发现对于BP神经网络,两种方法都有很好的性能.此外,和电离层经验模型国际参考电离层模型（international reference ionosphere 2016,IRI2016）结果进行对比,结果表明,本文提出的自适应变异粒子群（adaptive mutation particle swarm optimization,AMPSO）优化神经网络能有效提高f_oF₂的预测精度,并在低纬地区有更好的预测效果.     

音素识别中时延神经网络的一种快速学习算法

本文对音素识别中时延神经网络提出若干改进训练方法并与原方法进行实验对比研究，发现通过采取如下措施可有效地增加时延神经网络的收敛速率：（1）误差反传法初训权值。（2）从单极性输出改为双极性输出。（3）改变能量函数使权值修正根据输出误差的大小而改变。（4）将反传误差修正权值从按时延帧取平均改为按层进行。这些措施使收敛时间从原来的23小时另25分减少到45分钟，收敛速率提高数十倍之多，而网络复杂度增加很少。     

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...     

基于深度学习的车联边缘网络交通事故风险预测算法研究

针对传统交通事故风险预测算法无法自动判别数据特征,且模型表达能力差等问题。该文提出一种基于深度学习的车联边缘网络交通事故风险预测算法,该算法首先针对车载自组织网络中采集的大量交通数据,采用边缘服务器中建立的卷积神经网络自主提取多维特征,经归一化、去均值等预处理后,再将得到的新变量输入卷积层、采样层进行训练,最后根据全连接层输出的判别值,得到模拟预测交通事故发生的风险性。仿真结果表明,该算法被验证能够预测交通事故发生的风险性,较传统的机器学习算法BP神经网络、逻辑回归具有更低的损失与更高的预测准确度。