BP网络组合预测在网络流量预测中的应用研究

发布时间：2017-10-19 07:42

  本文关键词：BP网络组合预测在网络流量预测中的应用研究

  更多相关文章： 流量预测 组合预测 向量机 搜索算法 BP神经网络 NetFlow

【摘要】：随着Interne迅速发展及其应用,网络规模增大以及其应用日益复杂,加之互联网是一个较为复杂的非线性网状系统,为了实现数据的可靠传输及网络资源的合理分配,网络的监控机制及其复杂行为特性的学习尤为重要。网络流量预测的关键是通过对网络流量正常行为的描述来分析未来网络流量趋势,从而实现预知及报警。目前比较成熟的网络流量预测方法包括基于时间特征的预测、基于支持向量机的预测、基于季节模型的预测、基于小波变换的预测等,每种方法都有自身的特点及其局限性。针对网络流量预测,本文提出一种改进的BP网络组合预测模型,主要工作如下:首先,单一预测在BP网络中的应用仅适于解决平稳随机的时间序列,本文基于BP神经网络将局部相关向量机(Local-Relevance Vector Machine)预测和支持向量机(Support Vector Machine)预测进行组合,得到一种新的组合预测模型,拓宽了其应用范围,并提出了改进的算法来优化BP神经网络的学习过程。BP神经网络的学习过程包括正向传播和反向传播,将两种方法的预测值作为训练样本,先正向计算输出结果及计算误差,如果误差过大,再反向调整阀值和连接权值,重新计算误差,直到误差达到一定标准。BP算法是一个自我学习过程,一般根据以往经验选取学习率,随着BP算法学习的进行,其有效性难以保证,本文提出自适应学习调整算法并加入动量项,来选取BP算法中适当的学习率,从而提高BP算法的性能。自适应学习率调整的规则是:检测权值的修正是否减小误差,误差增大或减小,学习率就会按一定倍数降低或增加,否则保持不变,直到学习过程趋于稳定。其次,在BP网络组合预测其中一个输入——支持向量机预测中,提出一种改进的布谷鸟搜索(Modified Cuckoo Search)算法来训练支持向量机的惩罚因子和核宽度。为解决全局寻优能力和精度间的关系,根据不同阶段的搜索结果,对布谷鸟算法的步长大小进行自适应动态调整,并建立预测模型。通过对比实验,证明MCS-SVM算法比遗传算法、粒子群优化算法预测值的准确率更高。最后,本文设计了网络流量数据分析模型,基于NetFlow对网络数据进行采集并将采集的数据用于预测模型中进行分析。实验结果表明,相比较单一的L-RVM模型和MCS-SVM模型的预测,基于非线性BP网络组合的预测性能得到有效的提高。
【关键词】：流量预测 组合预测 向量机 搜索算法 BP神经网络 NetFlow
【学位授予单位】：天津理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.06
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-13
• 1.1 研究背景10
• 1.2 研究现状10-11
• 1.3 研究内容11
• 1.4 论文结构11-13
• 第二章 基于局域相关向量机回归模型的流量预测13-17
• 2.1 构建相关向量机回归模型13-15
• 2.2 非线性时间序列的局域预测15-16
• 2.3 基于局域相关向量机回归模型的预测16
• 2.4 本章总结16-17
• 第三章 改进的布谷鸟算法优化SVM的流量预测17-24
• 3.1 网络流量序列的相空间重构方法17-19
• 3.1.1 延时的计算17-18
• 3.1.2 嵌入维数的计算18
• 3.1.3 最大Lyapunov指数的计算18-19
• 3.2 支持向量机方法19-22
• 3.2.1 核函数的选择21
• 3.2.2 支持向量机的参数21-22
• 3.3 改进的布谷鸟搜索算法22-23
• 3.4 MCS-SVM的流量预测模型设计23
• 3.5 本章总结23-24
• 第四章 改进的BP神经网络组合预测24-31
• 4.1 BP神经网络24-25
• 4.2 BP神经网络组合预测参数值的选定25-26
• 4.2.1 输入、输出层神经元数的确定25-26
• 4.2.2 隐含层神经元数的确定26
• 4.2.3 权值、阈值的初始值域的确定26
• 4.3 BP算法设计26-29
• 4.3.1 BP基本算法26-27
• 4.3.2 BP算法改进27-29
• 4.3.3 BP算法模型设计29
• 4.4 BP网络组合预测的模型设计29-30
• 4.5 本章总结30-31
• 第五章 实验与结果分析31-41
• 5.1 NetFlow采集数据31-35
• 5.1.1 NetFlow简介31-32
• 5.1.2 NetFlow工作系统32-33
• 5.1.3 NetFlow输出流信息格式33-34
• 5.1.4 NetFlow数据采集34-35
• 5.2 数据整合预处理35-36
• 5.3 基于L-RVM模型的流量预测36-37
• 5.4 基于MCS-SVM模型的流量预测37-38
• 5.5 组合预测的结果分析38-40
• 5.6 实验总结40-41
• 第六章 总结与展望41-42
• 6.1 总结41
• 6.2 展望41-42
• 参考文献42-45
• 发表论文和科研情况说明45-46
• 致谢46-47

【相似文献】

中国期刊全文数据库 前10条

1 陈振伟;王茜;黄继红;;基于多神经网络的网络流量预测模型[J];计算机安全;2010年12期

2 于静;王辉;;基于组合模型的网络流量预测[J];计算机工程与应用;2013年08期

3 叶苗;王勇;;基于支持向量回归学习机的网络流量预测[J];桂林工学院学报;2007年02期

4 张正本;翟海庆;;基于组合模型的网络流量预测[J];河南机电高等专科学校学报;2008年06期

5 周丹琪;乔国平;张泉方;;基于K-Factor GARMA模型的网络流量预测[J];江南大学学报(自然科学版);2008年02期

6 姜明;吴春明;张e，

本文编号：1059899