粒子滤波最大熵算法在网络流量预测中的应用

研究网络流量预测优化问题,网络技术的发展使网络的流量增大.针对网络中对网络流量的不确定影响因素较多,同时由于传统的网络流量预测算法都是线性模型,无法适应网络流量非线性变化,从而导致预测精度不高等缺陷,提出了一种粒子滤波和最大熵算法原理相结合的新的网络流量预测模型.首先用模型捕捉原始数据的重构性,然后采用粒子滤波算法对最大熵进行优化处理,根据得到的预测结果作为约束的信息,采用优化后的最大熵得出预测的结果分布.最后采用算法与其它几种常见的流量预测算法相比较,仿真结果表明,改进方法比传统的几种网络流量预测算法具有更高的预测准确度和较高的泛化能力.     

基于小波变换的网络流量预测模型应用研究

研究优化网络性能问题,因网络流量数据具有很强的突发性和自相似性等分形特征,引起系统流量不稳定和不精确,用传统网络流量预测模型预测准确低.为解决上述问题,提出一种基于小波变换(WT)的自回归(AR)预测模型,首先对原始流量数据进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上,对各个重构后的序列分别建立自回归模型,由所拟合的模型分别进行预测,最后结合各个重构后序列的预测结果,得到对原始序列的预测结果.运用WT_AR进行仿真实验,实验结果表明模型比传统的网络流量预测模型具有更高的准确度.证明WT_AR是一种高效的网络流量检测模型,网络流量预测方法提供参考依据.     

模糊综合评判算法在网络流量预测中应用

研究了网络流量预测准确性问题。预测网络数据流的动态变化,针对互联网中对网络流量的不确定影响因素较多,传统的流量预测模型精度较低等问题缺陷,提出了一种新的模糊综合评判算法,对网络流量进行预测。在全面分析网络流量相关需求的基础上,首先利用相关空间重构对网络流量原始数据进行重构,采用改进的层次分析多模型进行优化,建立模糊综合评判的网络入侵检测多指标评估模型,最终经预测得出结果。仿真结果表明采用该算法对实际网络的流量进行了预测,验证了方法具有较高的预测精度。     

一种改进的网络流量预测模型研究

网络流量预测是网络优化研究中的热点,由于网络流量的自相似性导致了网络流量的长相关特性,现有的网络流量预测模型无法对其进行准确预测,且时间复杂度高,为了提高网络流量预测的准确性和效率,文中提出了一种改进的网络流量预测模型。首先,基于经验模式分解对长相关的网络流量进行预处理,并证明了它们是短相关的,然后通过AIC准则和逆函数法来建立模型进行流量预测。仿真结果表明,该模型的预测效果较好,不但降低了算法的复杂度,而且预测精度高于传统的方法。     

基于小波降噪和改进免疫优化的BP模型网络流量预测

为了实现大规模复杂网络的流量预测,并改善传统BP网络预测模型存在的收敛速度慢和容易陷入局部最优的缺陷,提出了一种基于小波降噪和改进人工免疫优化BP神经网络的网络流量模型;首先,描述了网络流量预测的基本原理;然后,采用小波包降噪法对网络流量原始采样序列进行降噪处理,在此基础上定义了采用BP网络进行网络流量预测的算法,在确定了神经网络的结构后,采用训练数据和改进的人工免疫优化算法对BP网络中的参数即权值和阀值进行优化,从而得到最终的BP网络流量预测模型;最后,采用1 800组样本中的1 200组训练数据对网络进行训练后得到最终的BP网络模型,再采用剩余的600组测试数据进行流量预测;实验结果证明结合人工免疫算法和BP网络的网络流量预测模型能实现大规模复杂网络的流量预测,且较传统方法相比,具有收敛速度快、训练时间短和预测精度高的优点。     

基于混合模型的网络流量预测算法

研究网络流量准确预测,针对网络优化控制问题,由于网络数据拥塞严重,网络流量变化具有高度自相似性、非线性和多尺度等特点,线性数据的传统预测方法无法准确刻画网络流量的非线性变化规律,导致预测准确率低.为了提高网络流量的预测准确率,在分析网络流量变化特征的基础上,提出一种小波分析的网络流量混合预测模型.混合模型首先利用小波分析将网络流量分解线性和非线性部分,然后分别采用ARIMA模型和BP神经网络模型对其进行预测,最后采用小波分析对线性和非线性部分预测结果进行重构,得到混合模型最终预测结果.仿真结果表明,混合模型比其它网络流量预测模型具有更高的预测准确率,为网络优化控制提供了有效分析方法.     

网络流量的非线性组合预测模型应用研究

研究网络优化管理问题,网络流量具有趋势性、周期性和非线性,传统预测模型只能反映网络流量变化的片段信息,难以获得高精度的网络流量预测结果。为提高网络流量预测结果,提出一种非线性组合的网络流量预测模型。首先采用单一模型ARIMA、ARMA、GM(1,1)对网络流量各特征进行预测,然后将三种预测结果输入到支持向量机进行融合,得到网络流量的最终预测结果。仿真结果表明,与传统网络流量预测模型相比,改进的非线性组合预测模型能够较好的反映网络流量的复杂变化规律,从而提高了网络流量的预测精度。     

粒子群算法优化相空间重构参数的网络流量预测模型

在网络流量预测过程中,相空间重构参数是影响预测性能的重要方面,传统参数分开优化,为了提高网络流量的预测精度,提出一种粒子群算法优化相空间重构参数的网络流量预测模型(PSO-BPNN);首先将BP神经网络作为学习算法,然后采用粒子群算法对相空间重构参数——延迟时间和嵌入维进行联合优化,并重构网络流量序列,最后以小波BP神经网络建立最优络流量预测模型,并采用仿真实验对模型性能进行分析,结果表明,PSO-BPNN提高了网络流量的预测精度。     

基于最大熵算法在气象雨量预测中应用研究

研究气象雨量预测准确度问题,针对传统的雨量预测算法预测精确度不高,存在预测水文和资源参数有限,预测方法对雨量估算精度低等问题缺陷.为解决上述问题,提出了一种新的基于最大熵算法气象雨量预测模型.首先基于最大熵原理奖励预测模型,采用插值法对雨量的预报数据进行处理,分别采用确定性系数和信息熵方法建立了雨量预报模型,matlab仿真表明,提出的雨量预测算法精确度明显高于神经网络预测算法,具有实用性和更高的精确性,为预测提供了参考.     

GAFSA优化SVR的网络流量预测模型研究

现有的诸多网络流量预测模型存在预测稳定性不好、精度较低等问题。针对此类问题, 研究了一种通过GAFSA(全局人工鱼群算法)优化SVR模型的网络流量预测方法。GAFSA是一种群智能优化算法, 寻优效果显著。采用GAFSA对SVR预测模型进行参数寻优, 可以得到使预测效果最佳的训练参数; 使用这组最优参数训练SVR, 建立网络流量预测模型, 可以很好地改善基于其他智能优化算法改进的SVR网络流量预测模型多次预测结果相差较大的问题, 使预测结果趋于稳定, 同时也可以提高预测精准度。仿真结果表明, GAFSA-SVR网络流量预测模型与其他模型相比, 预测结果基本稳定, 精准度提高到89%以上, 对于指导网络控制行为、分析网络安全态势有重要意义。