粒子群算法优化相空间重构参数的网络流量预测模型

发布时间：2017-08-02 19:15

  本文关键词：粒子群算法优化相空间重构参数的网络流量预测模型

  更多相关文章： 网络流量 相空间重构 粒子群算法 嵌入维 延迟时间

【摘要】：在网络流量预测过程中,相空间重构参数是影响预测性能的重要方面,传统参数分开优化,为了提高网络流量的预测精度,提出一种粒子群算法优化相空间重构参数的网络流量预测模型(PSO-BPNN);首先将BP神经网络作为学习算法,然后采用粒子群算法对相空间重构参数——延迟时间和嵌入维进行联合优化,并重构网络流量序列,最后以小波BP神经网络建立最优络流量预测模型,并采用仿真实验对模型性能进行分析,结果表明,PSO-BPNN提高了网络流量的预测精度。
【作者单位】： 华东交通大学信息工程学院;上饶师范学院数学与计算机科学学院;
【关键词】： 网络流量 相空间重构 粒子群算法 嵌入维 延迟时间
【基金】：江西省教育厅青年基金项目(GJJ13704)
【分类号】：TP393.06
【正文快照】： olAAhSSMHWM.m?工士确的85测模型。基于支持向量机、神经网络的非线性预测方法能够较好地描述网络流量的非线性、■稳性等变化特点,预测精度高’广泛应用于网络流1:预测24。近年来’-些#者将混沌理论应用于网络流量建模与预测中,其中相空间重构(phase space reconstruction,PS

【参考文献】

中国期刊全文数据库 前10条

1 姜明;吴春明;张e，

本文编号：610804