基于ESN的网络流量预测算法研究

发布时间：2023-04-01 11:12

　　随着互联网业务范围的不断扩大和互联网用户的急剧增多,互联网压力日益增大。具有良好的网络感知能力和智能决策能力的新型未来网络逐步成为了业界研究的热点。网络流量感知作为网络感知能力的一大重点,能够极大地提高服务质量和网络性能。网络流量的短期或者长期预测对于网络控制和网络资源调整大有裨益。通过针对历史流量数据的分析和预测,相应调整网络资源的分配,可以有效地提高和改善网络性能。 首先,本文将给出论文的背景介绍,分为三个方面。一是对未来网络架构下新型网络的研究背景介绍；二是网络流量的定义和网络流量预测研究现状；三是神经网络的介绍以及将神经网络应用于网络流量预测方面的研究现状。 其次,本文将关注神经网络中回声状态网络(ESN, Echo State Network)的研究,引入最小复杂度回声状态网络模型(MCESN, Minimum Complexity Echo State Network),通过改变回声状态网络动态池神经元组成,提出了两种新型最小复杂度回声状态网络预测算法：小波注入式最小复杂度回声状态网络预测算法和全小波最小复杂度回声状态网络预测算法。 再次,本文将使用真实网络流量数据等数据集...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题选题意义
    1.2 课题研究背景
        1.2.1 未来网络技术
        1.2.2 网络流量研究背景
        1.2.3 网络资源预测技术研究现状
    1.3 本文研究内容
    1.4 论文组织结构
第二章 基于神经网络的混沌时间序列预测基本理论
    2.1 混沌系统
        2.1.1 混沌的定义
        2.1.2 混沌的特性
        2.1.3 混沌的判定方法
    2.2 时间序列的预测
    2.3 神经网络模型
        2.3.1 神经网络的定义
        2.3.2 神经网络的性质和能力
        2.3.3 神经元模型
        2.3.4 网络结构
        2.3.5 神经网络学习过程
    2.4 本章小结
第三章 小波注入式最小复杂度回声状态网络预测算法
    3.1 回声状态网络模型
        3.1.1 回声状态网络的引入
        3.1.2 回声状态网络结构
        3.1.3 回声状态网络训练过程
        3.1.4 回声状态网络的研究方向
    3.2 最小复杂度回声状态网络模型
    3.3 小波注入式最小复杂度回声状态网络模型
        3.3.1 小波神经元的引入
        3.3.2 小波神经元的选择
        3.3.3 混合环形动态池
    3.4 小波注入式最小复杂度回声状态网络预测算法性能仿真与分析
        3.4.1 实验数据集
        3.4.2 训练和测试
        3.4.3 不同动态池规模下模型预测能力的比较
        3.4.4 不同动态池谱半径下模型预测能力的比较
        3.4.5 输入权重v和动态池权重r对预测能力的影响
        3.4.6 记忆能力的比较
        3.4.7 输入权重的符号分布对预测精度的影响
        3.4.8 小波神经元注入比例对预测能力的影响
        3.4.9 普通神经元和小波神经元的不同拓扑组合对预测能力的影响
    3.5 本章小结
第四章 全小波最小复杂度回声状态网络预测算法
    4.1 全小波最小复杂度回声状态网络模型
        4.1.1 全小波最小复杂度回声状态网络模型的引入
        4.1.2 WMCESN网络结构
        4.1.3 小波参数矩阵
    4.2 全小波最小复杂度回声状态网络预测算法性能仿真与分析
        4.2.1 WMCESN训练与测试
        4.2.2 不同动态池规模下模型预测能力和计算时间的比较
        4.2.3 有效谱半径范围比较
        4.2.4 鲁棒性比较
        4.2.5 小波参数矩阵规模对模型预测精度的影响
    4.3 全小波最小复杂度回声状态网络预测算法的局限性
    4.4 本章小结
第五章 基于WMCESN的未来网络流量预测方案
    5.1 方案设计
    5.2 WMCESN预测算法与BP神经网络预测算法的比较
    5.3 本章小结
第六章 结束语
缩略语
参考文献
致谢
攻读学位期间发表或已经录用的学术论文



本文编号：3777039