面向滥用检测的反馈预测机制

在高速主干网络环境中的入侵检测系统应该满足两个要求：第一，需要尽早发现入侵企图；第二，要努力降低入侵检测的操作代价。两者的解决办法与入侵检测模型和测度密切相关。本文在一般的滥用检测系统中嵌入反馈预测机制，它不仅能预测用户当前行为是否入侵，而且能大幅度降低该入侵检测系统的操作代价，可适应在高速网络中的实时检测需要。实际测试结果表明反馈预测机制能比较精确地预测入侵，嵌入了反馈预测机制的滥用检测系统的数据处理能力有了较大的改善。     

基于RBF神经网络的织物透气性能预测研究

建立了反映结构参数与织物透气性能之间关系的神经网络模型，采用了径向基函数神经网络（RBF）算法对织物透气性能进行预测研究。研究结果表明，此算法识别能力强，训练时间短，更能准确地预测织物的透气性能，具有一定的应用前景。     

一种三阶频域帧内预测算法

帧内预测是视频编码的一项核心技术，它根据图像中相邻子块进行预测得到当前子块的预测值，编码时只对像素值和预测值的残差进行编码，因而能有效降低Ⅰ帧所占用的比特数。提出了一种三阶频域帧内预测算法(TOIP)，该算法在左方、上方、左上方相邻块中选择最优邻块进行DC预测，充分利用不同方向纹理特性的频域系数进行AC预测，能有效提高预测精度。实验结果证明了本算法的有效性。     

改进的自动回归网格主机负载预测模型

网格计算中对资源的有效预测能很好的改进任务分配和作业调度的策略，提高它们的执行效率，作为网格资源预测的核心？主机负载的预测显得尤为重要。文中提出了一种基于AR改进的主机负载预测模型，它不仅具有AR模型本身的计算成本小、预测性能稳定的优点，还对AR模型只对未来某个固定时间段的负载预测进行了改进，使之能根据作业的预测执行时间进行主机负载动态预测，同时该改进模型还充分体现了主机负载变化的自相似性和长期依赖性，实验结果表明，该模型达到了预期的效果。     

基于神经元网络的经济预测方法

神经元网络具有学习能力，它能解决一些环境信息复杂，知识背景模糊，推理规则不明角的问题，本文介绍人工神经网络应用于经济预测的方法，并结果定量预测原型，修改了Ｂ－Ｐ算法，加速了学习过程的收敛，提高了预测的精度。     

非线性混沌系统预测模型与仿真研究

主要研究由非线性混沌时序所确定的动力系统的预测方法及其应用，通过改进的最优化方法来估计模型的参数，并在其相空间中对时序的未来值进行预测，实例仿真，发现选取最佳的模型阶数能增加预测的准确程度，且混沌时序不可能进行长期的预测。     

一种网络流量预测方法的设计

在两状态马尔科夫链模型基础上．提出了一种网络流量的预测方法，能对包括短期在内的流量作出准确的预测。该方法经实验证明能较好地反映网络实际植况，且算法时间复杂度低。     

基于RBF网络和AR模型的网络时延预测

分析了网络传输时延的组成和特点，提出了利用AR模型和RBF神经网络预测网络传输时1延，运用Matlab软件对其预测进行仿真．结果证明AR模型和RBF神经网络都能很好的预测网络时延，通过对比仿真结果分析，得出各自进行时延预测的适用条件。     

基于混沌理论的交通量实时预测

分析了城市交通的混沌性，根据复杂的城市交通特点，引入了误差反馈系数，改进了混沌时间序列预测方法中的加权一阶局域法和基于最大Lyapunov指数的预测法，并将其成功应用于实时交通量预测．预测结果表明：这两种改进的方法都能较准确地预测交通量，但后者比前者更适合交通量预测，后者的预测误差一般可以控制在5％以下．     

基于Spark与粒子滤波算法的公交到站时间预测系统

针对公交车到站时间预测准确性不高的问题，选用具有流式计算特点的粒子滤波（PF）算法，建立了一个公交到站时间预测模型。为更好地解决使用PF算法过程中存在的预测误差及粒子优化选择问题，通过引入上一趟公交车的行驶速度和构造观测值的方法对预测模型进行改进，使之具有更贴近实际路况的公交到站时间预测精度，并且能同时预测多个公交到达时间。基于该模型和Spark平台实现了一套公交到站时间实时预测软件系统，所有到站时间预测结果与实际相比，平峰的最大绝对误差为207 s，平均绝对误差为71.67 s；高峰的最大绝对误差为270 s，平均绝对误差为87.61 s，而预测结果的平均绝对误差在2 min以内是公认的理想结果。实验结果表明，所提模型及实现系统能准确预测公交到站时间，满足乘客实际需求。