網(wǎng)絡(luò)流量預(yù)測模型系統(tǒng)的研究.pdf

1、隨著計(jì)算機(jī)的日益普及,網(wǎng)絡(luò)規(guī)模越來越大,網(wǎng)絡(luò)的管理也變地越來越重要。為了更好地對目前及未來的網(wǎng)絡(luò)運(yùn)行狀態(tài)進(jìn)行監(jiān)控,對網(wǎng)絡(luò)流量的分析和建模預(yù)測是十分必要的,也是目前研究的熱點(diǎn)之一。
　　 為了適應(yīng)目前網(wǎng)絡(luò)管理的發(fā)展,本文首先設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)網(wǎng)絡(luò)流量預(yù)測組合模型系統(tǒng),該系統(tǒng)主要由主進(jìn)程模塊、數(shù)據(jù)采集模塊與流量預(yù)測模塊構(gòu)成。本文在流量預(yù)測模塊上做了深入的研究。
　　 針對流量預(yù)測模塊的實(shí)現(xiàn),本文提出了一種基于小波與神經(jīng)網(wǎng)絡(luò)預(yù)測

2、的模型。該模型使用小波變換對流量序列進(jìn)行多層分解,得到各層的細(xì)節(jié)信號序列與近似信號序列。對近似信號序列使用改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測；對細(xì)節(jié)信號序列使用ARIMA模型預(yù)測。
　　 針對BP神經(jīng)網(wǎng)絡(luò)的改進(jìn),首先就BP神經(jīng)網(wǎng)絡(luò)中輸入層神經(jīng)元個(gè)數(shù)與輸出層神經(jīng)元個(gè)數(shù)沒有一個(gè)合理的取法的問題,本文提出了一種根據(jù)相關(guān)性確定神經(jīng)網(wǎng)絡(luò)中輸入層與輸出層神經(jīng)元個(gè)數(shù)的新方法。這種方法完全根據(jù)樣本與樣本之間最為緊密的相關(guān)性來確定,使得對樣本的學(xué)習(xí)更加有針

3、對性與科學(xué)性。之后本文還對BP算法本身作了一系列的改進(jìn),主要加入變長學(xué)習(xí)率,根據(jù)誤差的大小動態(tài)的改變學(xué)習(xí)的速率,使誤差能得到很快速的收斂。但過快的收斂速度會引起系統(tǒng)的不穩(wěn)定性所以本文加入了動量項(xiàng),根據(jù)上一時(shí)刻權(quán)值的修改方向改變學(xué)習(xí)率。最后針對神經(jīng)元內(nèi)部提出了一種動態(tài)偏置的方法,這種方法是根據(jù)誤差動態(tài)調(diào)整偏置的大小。
　　 在細(xì)節(jié)信號的ARIMA(p,d,q)預(yù)測方面,由于單支重構(gòu)的細(xì)節(jié)信號具有一定的規(guī)律性,所以可以按規(guī)律提取所需