m序列多环路分段捕获及状态预测捕获方案

提出了两种直接序列扩频通信系统中ｍ 序列的新的捕获方法,即多环路分段捕获及基于状态预测捕获法,并给出了各自的硬件实现原理框图及简明的性能分析,其中,“一当多”数字匹配滤波器使状态预测电路大大简化。     

针对时间序列多步预测的聚类隐马尔科夫模型

时间序列的预测在现今社会各个领域中有着广泛的应用.本文针对时间序列趋势预测中的多步预测问题,提出了基于聚类的隐马尔科夫模型,利用隐马尔科夫模型中的隐状态来表示产生时间序列数据时的系统内部状态,实现对多步时间序列的预测.针对时间序列聚类中的距离计算问题,提出结合时间序列时间性和相似性的聚类算法,并给出了迭代精化基于聚类的隐马尔科夫模型的方法.实验表明,本文提出的方法在时间序列多步预测中精度较高.     

SAW匹配滤波器新方案原理及其性能分析

根据SAW抽头延迟线匹配滤波器的工作原理,并行捕获及PN序列状态预测的特点,本文提出了一种新型的SAW匹配滤波器。并介绍了电路框图的工作过程及性能分析。     

基于告警事件特征的网络攻击行为实时预警研究

针对当前网络告警数据误报率过高以及新型网络攻击行为难以预测的问题,本文提出基于告警事件特征的网络攻击行为预测方法：首先通过FP_tree树挖掘告警事件属性间的强关联规则,如果挖掘得到的频繁项与正常网络的访问事件属性频繁项相关,则剔除虚假告警事件;接着,采用序列模式算法挖掘正确告警事件的序列关系,如果该序列与某种网络攻击行为序列相关,则形成网络攻击的事件组合规则,实现网络攻击行为的有效预警。通过相关的实验过程和结果分析,表明本文提出的方法能够有效、实时预警网络的攻击行为,具有一定的应用性和扩展性。     

在役光纤应变监测系统性能的在线评价方法

结构监测系统的计量性能是结构安全状态评估的关键。针对在役结构监测系统长期、连续使用过程中的在线性能评价难题，依托光纤式结构应变监测系统的数据分析试验，提出了基于序列特征分析的结构监测系统性能评价方法。该方法以参考系统建立测量数据的动态比较基准，通过自然激励条件下的匹配数据序列的结构特征分析，建立性能评价模型。针对不同形态、尺度数据序列的匹配难题，提出了基于字符化表征的匹配方法。现场试验验证表明:该方法具备多尺度、大范围数据序列匹配的适应性，所提评价指标对于不同样本的计算偏差不大于±1%，具有监测系统长期量化评价的实用性。     

基于谱聚类的高阶模糊时序自适应预测方法

结合数据特征及分布特点提出一种基于谱聚类的模糊时间序列自适应预测方法。首先基于谱聚类的思想,根据样本数据特征获取其所属论域的个数及范围,实现向模糊时间序列的自适应转化;然后基于Markov概率模型表示模糊时间序列中的模糊关系,从而对多步模糊关系、高阶模糊关系及模糊关系的稳态进行求解;最后获取预测值的可能模糊状态,进而利用去模糊化方法将其还原为预测值。在真实以及人工时间序列数据上的实验表明了所提方法的合理性与有效性。     

基于EMD和GEP的急性低血压预测方法研究

急性低血压（AcuteHypotensiveEpisodes，AHE）是ICU重症监护室中患者常见且危害严重的术后发症状之一。AHE的有效诊断与预测，给予医生足够时间实现干预措施，具有十分重要的临床意义。但由于血压时间序列数据高度非线性和复杂性，使得AHE的诊断与预测尤为困难。为此，面向复杂非线性时间序列的建模，本文提出一种基于经验模态分解（EmpiricalModeDecomposition，EMD）和基因表达式程序设计（GeneExpressionProgramming，GEP）的综合方法，并构建相似性匹配模版方法来提高建模的稳定性。应用PhysioNet？中MIMIC—Ⅱ的数据进行实验分析，发现本方法是有效、可行的。为复杂非线性时间序列数据的建模预测提供了一条可参考的路径。     

基于DTW的长期直觉模糊时间序列预测模型

针对现有直觉模糊时间序列模型中直觉模糊关系组和确定性转换规则过度依赖训练数据规模的问题,提出一种基于动态时间弯曲（DTW, dynamic time warping）距离的长期直觉模糊时间序列预测模型。通过直觉模糊C均值（IFCM, intuitionistic fuzzy C mean）聚类构建直觉模糊时间序列片段库,动态更新和维护规则库,减少系统复杂度。提出基于DTW距离的直觉模糊时间序列片段相似度计算方法,有效解决不等长时间序列片段匹配问题。通过对合成数据以及包含不同时间序列模式的气温数据的实验,与其他相关模型比较,说明该模型对于不同时间序列趋势变化模式中均具有较高的预测能力,克服传统模型提高模型只能满足单一模式时间序列预测,提高模型的泛化性能。     

神经网络时间序列预测及其工程应用

本文基于时间序列分析的方法针对船用捷联陀螺的具体特性提出了一种神经网络时间序列预测建模方法，并对某捷联航姿系统中所用陀螺漂移数据进行了神经网络建模尝试。     

一种基于符号化的时间序列预测方法

本文提出一种基于符号化方法对时间序列进行预测。该方法利用矢量拟合来表达时间序列走势的形态，采用聚类算法对形态进行聚类，根据聚类结果得到符号序列，并用不完全抽取方法来抽取序列模式。预测时，根据学习得到的模式集对新序列做出预测分析。对导航位置误差数据实验表明，该方法可以对时间序列进行较好预测。     

基于模糊控制理论的交通信号控制算法研究

造成交通拥挤往往突出表现在道路的交叉口处,在综合了模糊控制技术和城市信号交叉口交通信号控制技术基础上,针对多路口交通控制的特征及实际交通状况,对已有模糊控制算法进行了改进,在单路口模糊控制研究的基础上,研究了基于相序优化模糊控制的城市区域交通信号控制系统。此方法不需要建立复杂的交通流模型,对城市交通控制系统实施模糊控制,可以有效地解决交通信号控制过程中复杂性和随机性难题,从而对绿灯信号的调整做出更合理的匹配,提高交叉路口的通行率近20%。     

基于突发分离的自相似网络流量预测

网络流量预测在网络拥塞控制及资源分配中起着至关重要的作用。对于具有自相似性的网络业务流量,由于其存在较强突发,传统预测方法的预测精度普遍较低。本文针对存在高突发的网络流量数据,提出了一种基于数据分离的流量预测方法。在预测步骤前,本方法首先通过控制图将网络流量中难以预测的突发流量进行有效的分离,从而得到突发流量和非突发流量两部分数据。之后分别采用人工神经网络和自适应模板匹配方法实现对非突发流量和突发流量的预测。最后通过对两部分预测结果的合并得到最终的预测结果。基于实际流量数据的实验结果表明:相较于传统流量预测方法,本文所提出的方法具有更高的流量预测精度。      

大数据分析技术的海量网络流量建模与预测分析

为了有效避免网络拥堵,文中提出基于大数据分析技术的海量网络流量建模与预测分析方法,准确预测网络流量数据。首先利用经验模态分解处理网络流量数据,获取模式函数分量,分析网络流量的短相关性,然后通过确定数据平稳性、计算平稳时间网络流量序列的自相关系数和偏自相关系数,建立网络流量的预测模型,最后进行了网络流量的仿真实验,实验结果表明,该方法可以描述网络流量的变化特点,获得高精度的网络流量预测结果,预测结果均方误差低于5%。     

IP骨干网流量的自动化预测

高效、可靠的网络流量预测是网络规划、扩容建设的基础。互联网流量目前缺乏完备的理论模型,行业内大多根据工程实践特点,设计简化可操作的预测模型以满足IP网络规划需求。首先根据中国电信自身IP骨干网流量预测工作的需求及特点,使用时间序列分析的多因子回归模型和函数自适应模型对IP骨干网流量进行分析和预测,基于大量现网实际数据的仿真运算,对比两种模型的特点、优劣和适用场景,提出了一种预测模型选择和参数优化的原则和方法。在此基础上,构建了可以满足百千量级时间序列要求的自动化流量预测系统,极大简化并提升了流量预测工作的效率。最后,展望了未来IP流量预测工作的延展方向和关注重点。     

An adaptive network traffic prediction approach for LDoS attacks detection

Low‐rate denial of service (LDoS) attacks reduce throughput and degrade quality of service (QoS) of network services by sending out attack packets with relatively low average rate. LDoS attack flows are difficult to detect from normal traffic since it has the property of low average rate. The research on network traffic analysis and modeling shows that network traffic measurement data are irregular nonlinear time series. To characterize and analyze network traffic between attack and non‐attack situations, the adaptive normal and abnormal ν‐support vector regression (ν‐SVR) prediction models are constructed on the basis of the reconstructed phase space. In this paper, the dimension of reconstructed phase space for ν‐SVR is optimized by Bayesian information criteria method, and the parameter in the radial basis function is adaptively adjusted by minimizing the within‐class distance and maximizing the between‐class distance in the feature space. The nonthreshold decision function is obtained through calculating the prediction error of adaptive normal and abnormal ν‐SVR prediction models, which is adopted to detect LDoS attacks. Experiments in NS‐2 environment show that the adaptive ν‐SVR prediction model can effectively predict the network traffic measurement time series, and the probability distribution of time series generated by the adaptive ν‐SVR prediction model is quite similar to that of the network traffic measurement data. Experiments also clearly demonstrate the superiority of the proposed approach in LDoS attacks detection.     

Exo-LSTM: traffic flow prediction based on multifractal wavelet theory

In order to predict traffic flow more accurately and improve network performance, based on the multifractal wavelet theory, a new traffic prediction model named exo-LSTM is proposed. Exo represents exogenous sequence used to provide a detailed sequence for the model, LSTM represents long short-term memory used to predict unstable traffic flow. Applying multifractal traffic flow to the exo-LSTM model and other existing models, the experiment result proves that exo-LSTM prediction model achieves better prediction accuracy.     

Online traffic prediction in the cloud

Network traffic prediction is a fundamental tool to harness several management tasks, such as monitoring and managing network traffic. Online traffic prediction is usually performed based on large sets of historical data used in training algorithms, for example, to determine the size of static windows to bound the amount of traffic under consideration. However, using large sets of historical data may not be suitable in highly volatile environments, such as cloud computing, where the coupling between time series observations decreases rapidly with time. To fill this gap, this work presents a dynamic window size algorithm for traffic prediction that contains a methodology to optimize a threshold parameter alpha that affects both the prediction and computational cost of our scheme. The alpha parameter defines the minimum data traffic variability needed to justify dynamic window size changes. Thus, with the optimization of this parameter, the number of operations of the dynamic window size algorithm decreases significantly. We evaluate the alpha estimation methodology against several prediction models by assessing the normalized mean square error and mean absolute percent error of predicted values over observed values from two real cloud computing datasets, collected by monitoring the utilization of Dropbox, and a data center dataset including traffic from several common cloud computing services. Copyright © 2016 John Wiley & Sons, Ltd.     

RBF神经网络在视频业务建模及预测中的应用

ＡＴＭ技术在关键在于业务控制,能否有效地实施业务控制则取决于对业务特征的了解和预测能力。传统的解析方法对视频业务进行预测的局限性较为明显。本文采用径向基函数神经网络对视频业务进行建模和预测,并提出了分别采用ＬＢＧ算法和Ｈｅｓｔｅｎｅｓ奇异值解进行隐含层神经元中心选择和输出神经腱权值计算的改进方法。     

基于混沌理论与改进回声状态网络的网络流量多步预测

网络流量预测是网络管理及网络拥塞控制的重要问题,针对该问题提出一种基于混沌理论与改进回声状态网络的网络流量预测方法。首先利用0-1混沌测试法与最大Lyapunov指数法对不同时间尺度下的网络流量样本数据进行分析,确定网络流量在不同时间尺度下都具有混沌特性。将相空间重构技术引入网络流量预测,通过C-C方法确定延迟时间,G-P算法确定嵌入维数。对网络流量时间序列进行相空间重构之后,利用一种改进的回声状态网络进行网络流量的多步预测。提出一种改进的和声搜索优化算法对回声状态网络的相关参数进行优化以提高预测精度。利用网络流量的公共数据集以及实际数据进行了仿真,结果表明,提出的预测方法具有更高的预测精度以及更小的预测误差。     

基于多Agent的交通信息智能预测系统的研究

城市交通控制和诱导系统是智能交通系统(Intelligent Transport System,ITS)的组成部分,而交通流预测特别是短时交通流预测是城市交通控制与交通诱导系统的基础。由于缺乏交通量预测所需历史数据以及判断影响交通量生成与增长因素的准确性不够,致使道路交通量的预测结果与实际值产生了较大差异。论述了灰色模型(Gray Model,GM)以及多Agent理论在交通量智能预测中的方法和应用技术。该方法利用多Agent间的相互通信、协作功能以及灰色模型的累加生成手段和微分方程描述,在一定预测时段内保证了预测数据良好的准确性和实用性。