变异粒子群优化最小二乘支持向量机的网络流量预测

针对最小二乘支持向量机参数优化问题,提出一种变异粒子群算法优化最小二乘支持向量的网络流量预测模型(MPSOLSSVM)。首先对网络流量序列进行相空间重构,构建最小二乘支持向量的学习样本;然后采用变异粒子群算法选择最小二乘支持向量机参数,从而建立最优的网络流量预测模型,最后与其他模型进行对比实验。对比结果表明,相对于对比模型,MPSO-LSSVM提高了网络流量的预测精度,预测结果可以为网络管理员提供有价值参考信息。     

多元宇宙优化算法优化WLSSVM的网络流量预测

高精度网络流量预测可以帮助管理人员了解网络流量变化态势,提高网络系统的稳定性,为了降低网络流量预测的误差,提出了基于多元宇宙优化算法优化加权最小二乘支持向量机的网络流量预测模型。首先采用网络流量历史数据,将其作为加权最小二乘支持向量机的输入向量,然后利用多元宇宙优化算法对加权最小二乘支持向量机参数寻优,从而得到最优的网络流量预测模型,最后采用具体网络流量预测应用实例对模型性能进行测试与分析,结果表明本模型可以准确描述网络流量的变化规律,预测误差很小,完全能够满足网络管理实际要求,相对于其他预测模型,本模型的网络流量预测精度得到了有效提高。     

混合核函数最小二乘支持向量机的网络流量预测模型

针对网络流量复杂多杂特点,基于组合优化理论,提出一种混合核函数最小二乘支持向量机的网络流量预测模型。首先,基于混沌理论将一维网络流量变为多维时间序列,然后,采用多项式核函数和高斯径向基核函数构建混合核函数,并将训练样本输入到最小二乘支持向量机中学习,最后,采用真实网络流量数据对模型性能进行测试。结果表明,相对于单核函数最小二乘支持向量机及其它网络流量预测模型,模型能够准确捕捉网络流量变化规律,有效地提高了网络流量的预测精度,而且具有一定的鲁棒性。     

基于PSO-LSSVM的网络流量预测模型

为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型（PSO-LSSVM）．首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型．仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律．     

混沌理论和LSSVM相结合的网络流量预测

为提高网络流量的预测精度,提出一种基于混沌理论和最小二乘支持向量机相结合的网络流量预测方法。采用相空间重构对网络流量时间序列进行重构,恢复网络流量的演化轨迹,采用非线性预测能力强的最小二乘支持向量机对网络流量时间序列进行训练建模,采用混沌粒子群算法对最小二乘支持向量机参数进行优化,从而获得最优网络流量预测模型。用实际网络流量数据对该算法有效性进行验证,结果表明该方法能够很好刻画网络流量的变化趋势,提高了网络流量的预测精度,预测性能优于传统的预测方法。     

基于FCM-LSSVM网络流量预测模型

为了提高网络流量的预测准确性,针对训练样本选取问题,提出一种训练样本选择的最小二乘支持向量机网络流量预测模型（FCM-LSSVM）。采用模糊均值聚类算法对网络充量数据进行了聚类分析,消除其中的孤立样本点,构建最小二乘支持向量机的训练集,然后将训练集输入到最小二乘支持向量机进行了学习,并采用人工蜂群算法对模型参数进行了优化,最后建立建立网络流量预测模型,并采用仿真实验对模型性能测试。仿真结果表明,相对于其他网络流量预测模型,FCM-LSSVM不仅提高了网络流量的预测精度,而且建模速度得以提高,获得了更加理想的网强流量预测结果。     

基于自适应遗传算法LS-SVM的网络流量预测

网络流量受众多因素的影响并且具有复杂的非线性特点,因此网络流量的预测和分析是一个很复杂的问题,最小二乘支持向量机能够成功地解决非线性问题并应用于网络流量的预测和分析.提出一种最小二乘支持向量机模型,将自适应遗传算法用于最小二乘支持向量机参数寻优,并将该模型用于网络流量的预测和分析.对比实验表明,基于最小二乘支持向量机的网络预测模型具有更强的预测能力,在网络流量预测中有一定的实用价值.经实例验证,该模型预测精度高.     

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。     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

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。     

距离加权极端支持向量机

由于极端支持向量分类机（ESVM）在对样本进行分类时并没有考虑到数据集中样本点的分布情况,对所有样本点的误差项都给予了相同的惩罚因子,使得分类器的分类效果很容易受到噪声、野值数据的干扰,针对这个问题,在ESVM的基础上提出了一种基于距离加权的极端支持向量机（WESVM）。由于不同的样本到其类中心距离的不同,因此对不同的样本给予不同的权重。分类实验结果表明WESVM与ELM、ESVM相比具有更好的分类精度。     

粒子群和遗传算法优化支持向量机的破产预测

介绍了一种基于粒子群算法和遗传算法优化支持向量机预测破产的方法。这种方法融合了粒子群算法、遗传算法和支持向量机诸多优点,并行地搜寻支持向量机最优的正则化参数和核参数,由此构建优化的预测模型。采用源自UCI机器学习数据库的破产和非破产混合样本数据集,随机地读入数据和进行数据预处理,运用7重交叉校验方法客观地评价预测结果。仿真结果显示,这种方法能自动有效地构建优化的支持向量机,与其他方法比较,具有更强的推广能力和更快的学习速度,而且具有更好的破产预测准确率。     

基于OBLPSO-LSSVM的一氧化碳浓度检测

为了提高CO浓度检测精度,提出一种反向学习机制粒子群算法（OBLPSO）优化最小二乘支持向量机（LSSVM）的CO浓度检测模型（OBLPSO-LSSVM）。构建CO浓度检测的学习样本,输入到LSSVM中训练,通过引入反向学习机制的粒子群算法找到LSSVM的最优参数建立CO浓度检测模型,在Matlab2012平台对模型性能进行仿真测试。结果表明,OBLPSO．LSSVM可以精确描述CO检测系统的输入与输出间的非线性变化关系,提高了CO浓度检测精度,具有一定的实际应用价值。     

包容性检验和SVM相融合的网络流量预测

模型选择对网络流量组合预测结果至关重要,为了提高网络流量的预测效果,提出一种包容性检验和支持向量机相融合的网络流量预测模型（ET-SVM）。采用多个单一模型对网络流量进行预测,根据预测结果的均方根误差对模型优劣进行排序,通过包容性检验,根据t统计量检验选择最合适的单一模型,采用支持向量机对单一模型预测结果进行组合得到最终预测结果,通过仿真实验对模型性能进行测试。仿真结果表明,ET-SVM降低了网络流量的预测误差,预测精度得到了提高。     

基于启发式算法的混沌支持向量机流量预测

针对现有混沌支持向量机回归模型存在流量预测效率低下的问题,利用差分进化(DE)算法、遗传算法和粒子群优化算法确定模型的径向基核函数系数、惩罚系数、不敏感系数等参数,在此基础上建立改进的混沌支持向量机回归模型进行流量预测。实例表明,相比其他启发式算法,DE算法能以较高的效率搜索到混沌支持向量机回归模型的最优参数,并且该模型具有较高的预测精度。     

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。     

基于相似度融合的主动支持向量机算法

提出一种基于相似度融合的主动支持向量机算法,利用未标记样本和标记样本,结合支持向量机的方法实现主动学习.实验结果表明,该算法与普通主动学习的支持向量机相比,在保证分类器性能的情况下,可以减少标记样本的数目,抑制孤立样本对分类器的影响;在相同标记样本数目的情况下,该算法具有较高的分类精度.     

基于KNN-SVM的网络安全态势评估模型

为了提高网络安全态势评估性能,提出一种K近邻和支持向量机相融合的网络安全态势评估模型（KNN-SVM）。将网络安全数据集输入到支持向量机学习,找到支持向量集,对于待评估网络安全态势样本,计算其与最优分类超平面间的距离,如果距离大于阈值,采用支持向量机进行网络安全态势评估,否则采用K近邻进行评估,以解决支持向量机对超平面附近样本易错分的缺陷,减少SVM的误判率。仿真结果表明,相对于单独SVM,KNN-SVM提高了网络安全态势评估正确率,而且性能更加稳定。