基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。     

基于RBF神经网络的混沌时间序列预测

本文提出将径向基函数(RBF)神经网络应用于混沌时间序列的预测,设计了一个三层RBF网络结构.对于三个典型的混沌系统,在不同的噪声水平下,采用RBF网络模型分别进行了预测研究.仿真结果表明,采用RBF网络进行混沌时间序列的预测能够取得比现有其它方法更好的效果.     

一种差分进化算法优化小波神经网络及其在弱信号检测中的应用

在混沌理论和相空间重构技术的基础上,提出了一种基于小生境自适应差分进化小波神经网络(NADE-WNN)的混沌背景下弱信号检测方法。该方法采用小生境自适应差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高网络的学习精度和收敛速度。实验结果表明,与传统的RBF神经网络和小波神经网络预测混沌时间序列的性能相比,该算法优化的小波神经网络具有更高的预测精度和收敛速度,能够较好地检测出混沌背景下的弱信号。     

一种混沌混合粒子群优化RBF神经网络算法

为了更精确地检测出混沌背景下的微弱目标信号,提高预测效果,文中提出了一种混沌混合粒子群优化RBF神经网络(CHPSO-RBFNN)算法。本算法主要采用了基于群体自适应变异和个体退火操作的混沌粒子群优化RBF神经网络,利用群体自适应变异以及个体退火操作优化混沌粒子群,有效地提高了粒子群算法的全局收敛性,优化了RBF神经网络的结构和参数。把该算法用于预测混沌时间序列、检测混沌背景下微弱目标信号,实验结果表明本算法有良好的非线性预测能力,可以有效地检测出混沌背景下的微弱目标信号。     

基于PSO的RBF神经网络学习算法及其应用

提出了一种基于粒子群优化(PSO)算法的径向基函数(RBF)神经网络学习方法,首先利用减聚类算法确定网络径向基层的单元数,再用PSO对基中心和宽度进行优化,并与最小二乘法相结合训练RBF神经网络。将此算法用于混沌时间序列的预测,实例仿真表明此方法是有效的。     

基于小波包的RBF神经网络网络流量混沌预测

为了提高网络流量预测准确率,提出了基于小波包的RBF神经网络网络流量混沌预测法(WPCRBF).充分考虑到真实网络流量的周期性和噪声的影响,提出了一种改进的时间窗口法来计算最佳嵌入维和时间延迟,并用于上述预测方法中.以真实网络流量数据为实验数据,分别用CRBF、基于小波的RBF神经网络混沌预测法(WCRBF)与提出的WPCRBF进行预测,实验结果表明,该方法能够较准确地对网络流量进行预测.     

海杂波背景下的小信号检测

利用海杂波信号为混沌这一先验知识,将判决反馈RBF神经网络应用于海杂波信号的建模与预测中,设计了一个三层判决反馈RBF神经网络结构。实验结果表明,判决反馈RBF网络模型对混沌时间序列有很好的拟合能力,对比典型RBF网络结构,该方法具有较好的检测效果。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

基于云遗传的RBF神经网络的交通流量预测

以神经网络和混沌时间序列理论为基础,提出了一种基于云遗传的RBF神经网络优化算法。该算法利用云模型云滴的随机性和稳定倾向性的特点,由正态云模型的Y条件云发生器实现交叉操作,由基本云发生器实现变异操作,提高了遗传搜索的效率,精简了网络结构。将该算法应用到Logistic混沌时间序列和实测交通流时间序列进行算法的有效性验证,并与传统的RBF算法和遗传算法优化的RBF算法（GARBF）进行比较。仿真结果表明该算法对混沌时间序列和交通流预测的精度有较大提高,从而证明该算法在交通流时间序列预测领域的可行性和有效性。     

基于BPSO-RBF神经网络的网络流量预测

为了提高网络流量的预测精度,针对网络的时变性和混沌性,提出一种反向学习粒子群优化神经网络的网络流量预测模型(BPSO-RBFNN)。首先将网络流量样本输入到RBF神经网络进行学习,采用引入反向学习机制的粒子群算法优化参数,然后建立网络流量预测模型,最后采用仿真实验对模型性能进行分析。结果表明,BPSO-RBFNN可以描述网络流量的时变性、混沌性变化趋势,网络流量预测精度得以提高,具有较好的实际应用价值。     

基于混沌理论的网络流量BP神经网络预测

应用相空间重构技术,论证了网络流量存在混沌现象,并计算了实际网络流量的关联维,Lyapunov指数;在此基础上对网络流量时间序列建立BP神经网络模型对网络流量进行预测,实例表明,和FARIMA(p,d,q)模型相比,基于混沌理论的BP神经网络模型有较好的预测能力,并具有较长的预测步长。     

基于遗传算法优化支持向量机的网络流量预测

介绍了支持向量机用于时间序列预测的理论基础和遗传算法优化支持向量机参数的方法,首次把遗传算法优化参数支持向量机应用于两组实际网络流量的预测,并与BP神经网络和RBF神经网络方法进行了比较.结果表明:支持向量机相比较BP神经网络和RBF神经网络对网络流量的预测结果精度更高、性能更好.利用支持向量机预测网络流量是一种可行、有效的方法.     

改进的RBF神经网络交通流预测算法

短时交通流预测是实现智能交通控制的前提与基础.提出了一种基于粗神经网络的RBF短时交通流预测算法,该算法在交通流量预测方面明显优于常规RBF神经网络,且具有较高的实时性.     

道路交通事故径向基神经网络预测模型研究

道路交通事故预测的目的是为交通管理部门提供未来交通安全的发展趋势。论文在进行交通事故统计的基础上,运用径向基神经网络理论,利用Matlab软件建立交通事故预测模型,对1990年至2006年的交通事故死亡人数和经济损失进行网络训练和外推预测。计算结果表明,该模型预测和外推精度高,可用于交通事故预测。     

基于Bagging算法和遗传神经网络的交通事件检测

提出一种集成遗传神经网络的交通事件检测方法,以上下游的流量和占有率作为特征,RBF神经网络作为分类器进行交通事件的自动分类与检测。在RBF神经网络的训练过程中,采用遗传算法GA（Genetic Algorithm）对RBF神经网络的隐层中心值和宽度进行优化,用递推最小二乘法训练隐层和输出层之间的权值。为了提高神经网络的分类能力,采用Bagging算法,进行网络集成。通过Matlab仿真实验,证明该方法相对于传统的事件检测算法能更准确、快速地实现分类。     

基于非线性组合模型的交通流预测方法

为开发智能交通系统,提出一种基于RBF和ARIMA网络非线性组合模型的短时交通流预测方法,采用三层结构的RBF网络将2种单一预测方法——RBF和ARIMA网络进行非线性组合,利用实测数据对3类方法进行仿真实验,结果表明,非线性组合模型的预测准确性高于各自单独使用时的准确性,组合模型发挥了2种单一方法各自的优势,是短时交通流预测的有效方法。     

Suitability of different neural networks in daily flow forecasting

Alternative forms of neural networks have been applied to forecast daily river flows on a continuous basis with the purpose of understanding how recent architectures like ANFIS, GRNN and RBF compare with traditional FFBP when monsoon-fed rivers involving significant statistical bias are involved. The forecasts are made at a location called Rajghat along river Narmada in India. Division of yearly data into four seasons and development of separate networks accordingly was found to be more useful than a single network applicable for the entire year. When a variety of error criteria were viewed together the most satisfactory network for all seasons was the radial basis function, which showed better performance then FFBP, GRNN and ANFIS. The FFBP network was found to be equally acceptable as the RBF in seasons other than the monsoon. Generally the peak flows were more satisfactorily modeled by the RBF than FFBP, GRNN and ANFIS. The relatively simpler handling of data non-linearity in FFBP was more attractive than complex ones of ANFIS and GRNN. The representative statistical model, namely response surface method, yielded highly unsatisfactory results compared to any ANN model involved in this study, confirming that the complexity of ANNs is really necessary to model daily river flows.     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

Internet traffic clustering with side information

Internet traffic classification is a critical and essential functionality for network management and security systems. Due to the limitations of traditional port-based and payload-based classification approaches, the past several years have seen extensive research on utilizing machine learning techniques to classify Internet traffic based on packet and flow level characteristics. For the purpose of learning from unlabeled traffic data, some classic clustering methods have been applied in previous studies but the reported accuracy results are unsatisfactory. In this paper, we propose a semi-supervised approach for accurate Internet traffic clustering, which is motivated by the observation of widely existing partial equivalence relationships among Internet traffic flows. In particular, we formulate the problem using a Gaussian Mixture Model (GMM) with set-based equivalence constraint and propose a constrained Expectation Maximization (EM) algorithm for clustering. Experiments with real-world packet traces show that the proposed approach can significantly improve the quality of resultant traffic clusters.     

一种新的基于GCS．SVM的网络流量预测模型

针对网络流量预测模型存在预测稳定性不好、精度较低等问题,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型（GCS．SVM）。将网络流量时间序列进行重构,采用改进布谷鸟搜索算法优化支持向量机参数,使用这组最优参数建立网络流量预测模型。仿真结果表明,GCS—SVM模型对网络流量预测是有效可行的。