基于蟻群算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型研究.pdf

1、隨著互聯(lián)網(wǎng)的使用量逐漸增加，網(wǎng)絡(luò)種類逐漸繁多，信息數(shù)據(jù)越來越龐大并且呈現(xiàn)出多變的動(dòng)態(tài)特性，如何精確地對(duì)網(wǎng)絡(luò)流量進(jìn)行預(yù)測從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)運(yùn)行狀態(tài)的有效管理，成為一個(gè)日益重要的問題。其中，如何建立一個(gè)精確而高效的流量預(yù)測模型是解決該問題的重點(diǎn)和難點(diǎn)，其對(duì)于網(wǎng)絡(luò)的測試、流量的控制以及網(wǎng)絡(luò)的設(shè)計(jì)規(guī)劃和質(zhì)量保證等問題的研究，都有重要的意義。
　　本文主要對(duì)網(wǎng)絡(luò)流量預(yù)測模型進(jìn)行研究和設(shè)計(jì)，具體工作有三個(gè)方面：
　　(1)介紹了網(wǎng)絡(luò)流量預(yù)測

2、的起源、發(fā)展?fàn)顩r及其研究的意義，同時(shí)對(duì)網(wǎng)絡(luò)流量所具有的特性進(jìn)行了分析和描述；
　　(2)重點(diǎn)介紹了小波分解理論和BP神經(jīng)網(wǎng)絡(luò)的工作原理，并對(duì)兩者組合而成的小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network,WNN)進(jìn)行了介紹，同時(shí)著重分析了基于GA算法的WNN預(yù)測模型；
　　(3)針對(duì)基于GA算法優(yōu)化的WNN預(yù)測模型存在的不足，本文提出用具有正反饋機(jī)制和啟發(fā)式學(xué)習(xí)特點(diǎn)的蟻群算法(AntColonyOptimizati

3、on,ACO)代替GA算法，形成一種基于ACO算法優(yōu)化的WNN預(yù)測模型—WACONN預(yù)測模型。
　　該模型為了克服BP算法在網(wǎng)絡(luò)訓(xùn)練過程中對(duì)初始權(quán)值、閾值比較敏感，且容易陷入局部最優(yōu)解的缺點(diǎn)，提出將ACO算法與BP算法相結(jié)合形成ACO-BP算法：首先利用ACO算法的全局尋優(yōu)能力為BP神經(jīng)網(wǎng)絡(luò)提供較適合的初始權(quán)值和閾值，以降低BP算法由于對(duì)初始值設(shè)置不同而產(chǎn)生較大的差異性、且容易陷于最優(yōu)解等缺點(diǎn)，再利用BP算法進(jìn)一步迭代尋取全局最優(yōu)

4、解。在進(jìn)行仿真實(shí)驗(yàn)過程中，該模型首先利用同時(shí)具有時(shí)、頻域描述特性的小波變換，將數(shù)據(jù)樣本分解成高頻分量和低頻分量；然后利用高、低頻分量的訓(xùn)練集部分對(duì)基于ACO優(yōu)化的WNN預(yù)測模型進(jìn)行訓(xùn)練；接下來，將高、低頻分量的預(yù)測集部分輸入訓(xùn)練好的模型，進(jìn)行預(yù)測；最后將預(yù)測得出的高、低頻數(shù)據(jù)分量相疊加，得出最終的預(yù)測結(jié)果。
　　實(shí)驗(yàn)數(shù)據(jù)表明，與基于GA算法優(yōu)化的WNN預(yù)測模型相比，本文提出的基于ACO算法優(yōu)化的WNN預(yù)測模型具有更好的預(yù)測精度和更