一种GA-PSO算法优化BP网络的网络流量预测

分析和研究网络流量的预测,对于网络信息安全和网络资源管理具有重要的意义。为了更有效、准确地对网络流量进行预测,提出一种GA-PSO算法优化BP神经网络的网络流量预测模型。首先采用BP神经网络建立网络流量预测模型,然后用GAPSO算法对BP神经网络的初始权值和阈值进行优化,最后利用网络流量的历史数据进行仿真实验。实验结果表明,经过GA-PSO算法优化后的BP神经网络模型能加快神经网络的收敛速度,提高网络流量的预测精度。     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

基于小波神经网络的流量自回归预测研究

通过应用系统的历史网络流量训练小波神经网络的各个参数,最终确定收敛的小波神经网络的结构。证明流量的自回归短期预测是个NP问题,分析小波神经网络预测算法的时间复杂度。通过实验结果表明,采用小波神经网络相对于BP、GRNN、解决此类NP问题具有良好预测效果和收敛速度。     

遗传算法优化小波神经网络的网络流量预测

为了提高网络流量的预测精度,克服小波神经网络收敛速度慢、易陷入局部最优的缺点,提出一种遗传算法优化小波神经网络的网络流量预测模型.首先计算延迟时间和嵌入维数,构建小波神经网络的学习样本,然后采用小波神经网络对网络流训练集进行学习,并采用改进遗传算法对小波神经网络参数进行全局寻优,提高收敛速度和网络学习精度,最后采用网络流量数据对模型性能进行仿真分析.结果表明,相对于对比模型,本文模型的平均误差大幅度降低,训练次数急剧减,减小了二次优化训练的次数,具有更大的实际应用价值.     

基于改进小波神经网络的网络流量预测研究

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对传统小波神经网络训练算法的不足,提出了自适应量子粒子优化算法——AQPSO,用于训练小波神经网络,优化网络参数,建立基于AQPSO算法优化的小波网络预测模型。实验结果表明,该模型对网络流量的短期预测是有效可行的,并具有良好的收敛性和稳定性。     

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。     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。     

基于小波神经网络的IP网络流量预测

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对BP神经网络预测准确率不太理想的情况,将小波理论引入BP神经网络,引用小波理论中多分辨分析技术对基于BP神经网络的模型进行改进,建立了基于小波神经网络的IP网络流量预测模型。该模型利用小波多分辨分析分解信号,再用已分解的信号序列来训练BP神经网络。实验结果表明,小波神经网络比BP神经网络对网络流量的预测结果精度更高、性能更好,利用小波神经网络预测网络流量是一种可行、有效的方法。     

CPSO算法优化神经网络重构的网络流量预测

为了提高网络流量的预测精度,提出了一种混沌粒子群算法优化相空间重构和神经网络的网络流量预测模型(CPSO-BPNN)。利用混沌粒子群算法对BP神经网络初始参数、延迟时间、嵌入维数进行优化,根据延迟时间、嵌入维数对网络流量数据进行重构,BP神经网络根据初始参数进行训练建立网络流量预测模型,通过仿真实验对模型性能进行测试。结果表明,CPSO-BPNN可以准确描述网络流量的复杂变化趋势,提高了网络流量的预测精度。     

PSO优化BP神经网络的混沌时间序列预测

针对于BP神经网络预测模型,收敛速度慢,精度较低,容易陷入局部极小值等缺点,提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中,粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明,该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度,减少陷入局部极小的可能。     

基于改进BP神经网络的路由器流量预测方法

为了减少路由器的能耗,提出了一种改进的反向传播(BP)神经网络预测路由器流量的方法,在传统BP神经网络的基础上加入学习率自适应算法,提高路由器流量的预测精度和训练速度.运用MATLAB平台构建BP神经网络对网络流量进行建模、训练并预测.仿真结果表明:相较传统预测模型,运用改进的BP神经网络预测模型精度较高,训练速度较快,路由器可以更快、更准确地调整工作状态,实现了有效节能,具有很好的应用前景.     

融合模拟退火算法的神经网络流量预测研究

为了提高网络流量预测的精度,针对BP网收敛极易陷入局部极小点的缺陷,引入模拟退火算法思想优化小波包神经网络,对网络流量数据的时间序列进行建模预测。先将原始网络流量序列进行小波包消噪,将消噪后的序列作为融合模拟退火思想的小波包神经网络的输入,待预测序列作为输出。通过消噪后的前N天的流量序列,预测出后M天流量序列。仿真实验结果表明,与直接利用小波神经网络预测的模型比较,融合了模拟退火算法思想的小波包神经网络具有更好的预测能力。     

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明：与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。     

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明:与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。     

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.     

基于PF-LSTM网络的高效网络流量预测方法

传统网络流量预测模型存在泛化能力弱和预测准确度低等缺点。为解决此问题,提出一种基于长短期记忆（LSTM）循环神经网络的网络流量预测模型。首先,用距离比较和优化组合策略改进粒子滤波算法（PF）的重采样过程;然后搭建PF-LSTM网络的网络流量预测模型,将改进的PF算法用于模型训练,提高其训练速率,克服传统LSTM网络中收敛于局部最优的缺点;最后将提出的模型用于网络流量预测。实验结果表明,相比传统的LSTM模型,提出的PF-LSTM模型具有较好的预测精度和收敛效率,能够更好地描述网络流量的变化趋势。     

量子遗传算法优化BP神经网络的网络流量预测

为了提高网络流量的预测精度,提出了一种改进的多种群量子遗传算法优化BP神经网络的网络流量预测模型。在确定了神经网络的结构后,采用多种群量子遗传算法对BP神经网络的初始权值和阈值进行优化。该模型利用K均值聚类算法将种群划分成若干子种群,多个子种群分别进化以保持种群的多样性。子种群间通过移民操作进行信息交互,减小了算法陷入局部最优的概率。同时采用一种自适应的量子旋转门调整策略加快算法的收敛速度。仿真结果表明,相较传统方法,该模型在网络流量预测方面具有收敛速度快、预测精度高的优点。     

基于PSO-BP神经网络的网络流量预测与研究

传统网络流量预测采用线性方法进行处理,不能很好地满足要求.根据互联网通信量的自相似性,提出一种基于BP网络的粒子群优化PSO-BP算法进行网络流量预测,用PSO算法对BP网络节点的初始权值进行优化,并利用历史记录训练BP网络,采用Matlab进行仿真.试验结果表明,PSO-BP算法加快了BP网络收敛速度,训练结果的均方误差函数mse在5%以内,提高了网络流量预测精度.     

蚁群算法在需水预测模型参数优化中的应用

为了解决投影寻踪（PP）需水预测模型的高维、非正态、非线性参数优化问题,提高需水预测的精度,尝试用基于网格划分的自适应连续域蚁群算法(ACA)在不同拟合和预测时长内对模型参数进行优化组合,并运用该模型进行年需水量预测。基于改进蚁群算法的投影寻踪需水预测模型参数优化进行了实例仿真。对基于改进蚁群算法的预测精度与基于人工免疫算法（AIA）和BP神经网络的模型(BPANN)参数优化结果分别进行了比较,实验结果表明：1）这三种算法的拟合精度相对误差绝对值分别小于2%、10%和10%;2）预测精度相对误差绝对值分别小于6%、11%和12%;3）改进蚁群算法能收敛到全局最优解,收敛速度较快。因此,改进蚁群算法的投影寻踪需水预测结果明显优于人工免疫算法和BP神经网络。该方法可推广到其他类似的高维非线性问题上。     

布谷鸟算法优化小波神经网络的短时交通流预测

针对目前短时交通流的预测精度不够高这一问题,提出一种布谷鸟算法优化小波神经网络(CSWNN)的短时交通流预测模型。首先采用小波变换对数据进行降噪,并进行归一化处理,然后使用复自相关法对具有混沌特性的短时交通流进行相空间重构,将交通流数据拆分为训练数据组和测试数据组,使用布谷鸟算法优化小波神经网络的各项参数,并根据训练数据组来训练优化后的小波神经网络模型。最后使用测试数据组的数据对CS-WNN模型进行有效性验证。仿真结果表明,相比几种主流的优化预测模型,CS-WNN短时交通流预测模型具有更高的预测精度。