基于BP神经网络的BBS上帖子回复数预测

建立BP神经网络模型,以中华网社区上实际数据为原始数据样本,对网络进行训练后,对帖子的回复数进行预测,并计算预测值和实际值的误差。实验结果表明,该模型预测精度高,收敛速度快。     

基于BP神经网络的可信网络用户行为预测模型

本文,我们探讨了可信网络中用户的行为信任问题,首先根据网络用户的行为信任的不同特性划分,建立用户行为信任的评价体系,然后通过BP神经网络算法,结舍MATLAB软件对用户的信任等级进行科学的预测,预测的结果可以给服务提供商对用户的管理提供参考.     

基于改进的BP神经网络的Overlay网络流量预测

随着网络规模的增长,Overlay网络流量预测已经日渐成为研究热点。与传统网络相比,Overlay网络本身的特性决定了传统的预测方法已不能适应它的要求。提出一种基于模拟退火的粒子群神经网络来预测Overlay网络的流量,运用反向计算方法,从理想最优值出发,近距离寻找最优解,缩短了求解时间并加大了找到最优解的几率。通过实验仿真可以看出,改进的BP神经网络方法的预测效果要明显好于传统的BP神经网络。     

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。     

基于GA-BP神经网络的胎儿体重预测分析

胎儿体重是判断胎儿发育、保障孕产妇安全的重要指标,但是胎儿体重无法直接测得,只能根据孕妇体检数据进行预测.提出了一种基于遗传算法优化BP神经网络（GA-BPNN）的胎儿体重预测模型,首先采用回归模型和特征归一化预处理得到的历史体检数据建立孕妇连续体重变化模型,然后利用遗传算法（Genetic Algorithm,GA）优化BP神经网络的初始权值和阈值,建立胎儿体重预测模型.从我国东部某医院2016年孕产妇中随机抽取3000例样本数据,将本文的模型与基于传统BP神经网络（BPNN）的预测模型进行比较,实验结果表明,本文提出的GA-BPNN胎儿体重预测模型不仅加快了模型的收敛速度,而且将胎儿体重预测精度提高了14%.     

遗传算法优化BP神经网络的网络流量预测

为了提高网络流量预测精度,提出一种基于遗传算法优化BP神经网络的网络流量预测模型(GA-BPNN)。首先采集网络流量数据,并进行相应预处理,然后将网络流量训练样本输入到BP神经网络进行学习,并采用遗传算法对BP神经网络参数进行优化,最后采用建立的网络流量预测模型对网络流量测试集进行预测,并通过仿真实验对模型性能进行测试。结果表明,GA-BPNN提高了网络流量的预测精度,获得比较理想的网络流量预测结果。     

遗传BP神经网络在网络流量预测中的应用

由于BP神经网络本质上采用的是梯度下降算法,具有收敛速度慢、容易陷入局部极小点等缺陷.针对这种情况,用具有良好全局搜索能力的遗传算法来改进BP神经网络模型,对神经网络的初始权值和阈值进行优化.仿真结果表明,遗传BP神经网络具有良好的预测效果,预测精度比传统的BP神经网络要高,误差更小,说明了遗传BP神经网络对网络流量预测是高效可行的.     

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。     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

Predicting Network Security Situation Based on a Combination Model of Multiple Neural Networks

Due to rapidly increasing complex attacks, networks become more and more insecure. How to accurately predict the future security situation of networks is thus an important research issue. Forecasting security situation can improve the awareness of network states and provide decision support to threat analysis and network planning. This paper provides a combination model of neural networks to predict the security situation of computer networks. Our contribution is in two aspects. On the one hand, we select several single neural network models including Backward Propagation (BP) network, Elman network, and Radial Basis Function (RBF) network to construct the combination model. On the other hand, we use the entropy method to determine the weights of each single model in the combination model. Experimental results show that the proposed combination model can predict the security situation of networks more e?ectively than any single neural network.     

基于灰色BP神经网络模型的煤矿地下水位预测研究

针对煤矿地下水位监测精度不高的问题,提出灰色BP神经网络预测煤矿地下水位的模型.分别利用灰色预测理论、BP神经网络模型和灰色BP神经网络对某煤矿一观测井地下水位进行预测,仿真数据表明采用灰色BP神经网络模型预测煤矿地下水位更为准确.     

基于灰色BP神经网络的瓦斯爆炸的预测

瓦斯浓度在很大程度上决定了煤矿井下发生爆炸的可能性,而原有灰色模型预测方法精度不是很高,但是所需的数据较少,而BP神经网络有高度的非线性计算、自学习和自组织能力。本文结合了灰色系统与BP神经网络各自的优点进行预测,使预测结果更加精确,可靠性得到很大的提高。     

基于AFSA—BP神经网络的基坑变形预测模型研究

为改善BP神经网络收敛速度慢、初始权阈值对计算结果影响较大且易陷入局部最优等缺陷,为提高模型的预测精度和稳定性,使用具有全局优化能力的鱼群算法优化BP神经网络的初始权阈值,依托工程实例,将BP模型及改进的模型用于基坑变形预测中,通过预测值与实测值进行对比,结果表明：AFSA-BP模型的预测精度要高于BP模型,且预测结果稳定、预测速度较快、预测误差可以满足工程的要求,对于下一步施工具有良好的指导作用,所以AFSA-BP模型是一种有效的基坑变形预测模型。     

应用改进卷积神经网络的网络安全态势预测方法

针对神经网络态势预测模型训练复杂度高的问题，提出了一种基于改进卷积神经网络的态势预测方法。结合深度可分离卷积与分解卷积技术的优点，提出了一种基于复合卷积结构的改进型卷积神经网络安全态势预测模型，实现了态势要素和态势值的映射。实验仿真结果证明，相比于已有的典型预测方法，该方法明显降低了复杂度，减少了预测时间，并提升了预测准确率。     

基于人工神经网络的中长期负荷预测算法

当前中长负荷预测的大部分方法都衍生于传统的线形统计理论,难以解决复杂的非线性问题。文中结合BP人工神经网络技术,利用人工神经网络所具有的非线性映射和函数逼近功能对中长期电力负荷进行了研究,提出了一种中长期电力负荷预测的思路。并利用北京市的实际数字对未来若干年的用电量进行了预测,实验结果表明,该算法具有较好的准确性和可行性。     

基于DCGRU-RF模型的路网短时交通流预测

随着城市化进程的加快,我国城市机动车数量快速增加,使得现有路网容量难以满足交通运输需求,交通拥堵、环境污染、交通事故等问题与日俱增。准确高效的交通流预测作为智能交通系统的核心,能够有效解决交通出行和管理方面的问题。现有的短时交通流预测研究往往基于浅层的模型方法,不能充分反映交通流特性。文中针对复杂的交通网络结构,提出了一种基于DCGRU-RF(Diffusion Convolutional Gated Recurrent Unit-Random Forest)模型的短时交通流预测方法。首先,使用DCGRU(Diffusion Convolutional Gated Recurrent Unit)网络刻画交通流时间序列数据中的时空相关性特征;在获取数据中的依赖关系和潜在特征后,选择RF(Random Forest)模型作为预测器,以抽取的特征为基础构建非线性预测模型,得出最终的预测结果。实验以两条城市道路中的38个检测器为实验对象,选取了5周工作日的交通流数据,并将所提方法与其他常见交通流量预测模型进行比较。结果表明,DCGRU-RF模型能够进一步提高预测精度,准确度可达95%。