基于ε-SVR工业网络时延的测量与预测

发布时间：2017-09-26 20:33

  本文关键词：基于ε-SVR工业网络时延的测量与预测

  更多相关文章： 时延测量 数学建模 时延预测 支持向量回归 ε—SVR 高斯核函数 静态时延 动态时延

【摘要】：工业网络时延的测量和预测是分析工业网络性能的一种重要方法。关于网络时延测量和预测方面的应用衍生了许多新技术和新工具,为网络控制系统性能的优化提供了不同的研究方法和解决手段,如何建立时延预测和测量的模型以及运用什么手段解决这些问题也已经成为当前研究的主要潮流。本文研究基于ε—SVR(Support Vector Regression,ε为不敏感参数)工业网络静态时延和动态时延的测量和预测相关理论和建模方法,其主要工作包括:为了实现对网络时延数据的采集,本文对网络时延的测量方法进行了研究和讨论,重点讨论了网络端到端时延测量的方法和工具。并通过采用Ping法网络往返时延测量方法获取网络系统中网络节点端到端时延测量数据,为建立网络时延预测模型准备数据样本。为实现对静态工业网络时延的预测,对采集到的时延数据进行了数据处理和样本建立,建立了基于ε—SVR静态工业网络时延的预测模型。应用支持向量回归理论,采用RBF(Radial Basis Function)核函数,建立静态时延样本预测模型,推导决策函数,最后确立决策函数中待确定的系数。针对所建立的静态工业网络时延预测模型,应用MATLAB中的RBF函数进行了仿真研究,通过改变预测模型中心宽度,感知单元个数以及样本数据包大小,讨论了参数对该静态网络时延预测模型预测效果的影响。基于ε—SVR静态工业网络时延预测模型仅仅能对离线的静态时延数据完成预测分析,不能实现对实时变化的动态网络时延的预测分析。因此本文分析了动态工业网络时延数据的特点,在静态工业网络时延预测模型的基础上,进一步研究了基于ε—SVR动态工业网络时延预测模型的建立方法。该方法将持续变化的动态网络时延数据进行了分段处理,设定了样本数据的长度,给出了样本数据集合的修正方法,采用高斯径向基核函数,建立了基于ε—SVR动态工业网络时延预测模型,推导了动态工业网络时延预测模型的决策函数,给出了待确定参数的数学表达式。为了验证动态网络时延预测模型的可行性,设计了动态工业网络时延的预测算法,基于实验测量数据样本,根据选定的样本数据集合的长度,对一段样本数据进行了仿真训练。通过仿真结果计算出时延预测误差,并且对仿真结果进行了分析,验证了基于ε—SVR动态工业网络时延预测模型的可行性。
【关键词】：时延测量 数学建模 时延预测 支持向量回归 ε—SVR 高斯核函数 静态时延 动态时延
【学位授予单位】：济南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.06
【目录】：

• 摘要7-9
• Abstract9-11
• 第一章 绪论11-19
• 1.1 课题背景和研究目的及意义11-12
• 1.2 国内外研究发展概况12-16
• 1.2.1 网络时延测量研究概况12-14
• 1.2.2 时延预测研究现状14-16
• 1.3 本文主要研究内容16-19
• 第二章 网络时延测量方法的研究19-31
• 2.1 网络测量19-23
• 2.1.1 网络测量的概念19-20
• 2.1.2 网络拓扑结构20-22
• 2.1.3 网络性能描述22-23
• 2.2 网络端到端测量23-24
• 2.2.1 多播和单播测量23
• 2.2.2 主动测量和被动测量23-24
• 2.3 端到端网络时延测量24-30
• 2.3.1 端到端时延测量的应用和意义24-25
• 2.3.2 网络传输时延的构成25-26
• 2.3.3 影响网络传输时延的因素26-27
• 2.3.4 端到端时延测量的分类27-28
• 2.3.5 端到端时延测量的实现28-30
• 2.4 本章小结30-31
• 第三章 基于ε—SVR静态网络时延预测31-55
• 3.1 基于ε—SVR网络时延预测理论基础31-34
• 3.1.1 支持向量回归理论31-33
• 3.1.2 误差分析标准33-34
• 3.2 基于ε—SVR的静态时延预测建模34-36
• 3.2.1 端到端时延测量模型34
• 3.2.2 静态时延时延数据分析方法34-35
• 3.2.3 静态样本数据预测研究35-36
• 3.3 基于ε—SVR的静态时延数据采集36-44
• 3.3.1 时延数据采集36-39
• 3.3.2 时延数据处理39-41
• 3.3.3 建立静态时延数据样本41-44
• 3.4 基于ε—SVR的静态时延预测仿真44-54
• 3.5 本章小结54-55
• 第四章 基于ε—SVR的动态网络时延预测55-65
• 4.1 动态时延变量的参数化55-56
• 4.2 基于ε—SVR的动态时延预测模型建模56-57
• 4.3 基于ε—SVR的动态时延预测模型核函数57-58
• 4.3.1 基于多项式核的预测模型57
• 4.3.2 基于高斯径向基核的预测模型57-58
• 4.3.3 基于Sigmoid核的预测模型58
• 4.4 基于ε—SVR的动态时延预测仿真58-63
• 4.4.1 动态时延数据采集与处理58-60
• 4.4.2 仿真预测算法设计60-62
• 4.4.3 仿真结果及其分析62-63
• 4.5 本章小结63-65
• 第五章 结论与展望65-67
• 5.1 论文工作结论65-66
• 5.2 未来工作展望66-67
• 参考文献67-71
• 致谢71-73
• 附录73

【相似文献】

中国期刊全文数据库 前10条

1 曹庆璞;董淑福;罗峗骞;;网络时延的混沌特性分析及预测[J];计算机技术与发展;2010年04期

2 王宏伟;杨雨;张智华;;网络时延预测研究[J];电脑知识与技术;2011年10期

3 张晓晖;刘丁;;基于分层结构的可变网络时延补偿方法研究[J];西安理工大学学报;2012年03期

4 黄杰,吴平东,马树元,陈之龙;无需时钟同步和网络时延预测的远程控制补偿器研究[J];机械工程学报;2004年11期

5 李德河;;精确计算网络时延的一种方法的讨论[J];计算机工程与应用;2007年13期

6 邱征;王红春;陈长胜;余亚刚;;AFDX网络演算时延分析方法研究[J];科技视界;2013年16期

7 张海豹;管致锦;程学云;;基于规则的可逆网络时延优化算法[J];计算机辅助设计与图形学学报;2013年11期

8 陈雪丽;张建明;陈良;;基于神经元控制的网络时延补偿策略研究[J];自动化仪表;2006年06期

9 赵辉;邓燕;王红君;岳有军;;基于预测控制的网络时延补偿策略研究[J];仪器仪表学报;2008年09期

10 王随平;李闪阁;张海宁;;基于网络时延预估补偿的远程控制系统研究[J];可编程控制器与工厂自动化;2009年08期

中国重要会议论文全文数据库 前1条

1 涂小敏;宋杨;;基于无偏灰色模型的网络时延预测[A];上海市化学化工学会2010年度学术年会论文集（自动化专题）[C];2010年

中国博士学位论文全文数据库 前3条

1 李雯;飞行器网络控制系统研究[D];国防科学技术大学;2007年

2 邓建球;智能调度的网络控制系统建模、分析与综合[D];清华大学;2011年

3 葛愿;基于隐马尔可夫模型的网络化控制系统建模与控制[D];中国科学技术大学;2011年

中国硕士学位论文全文数据库 前10条

1 宫碧莲;基于隐式PIGPC的网络时延补偿控制器设计[D];东北大学;2013年

2 刘沛岩;基于ε-SVR工业网络时延的测量与预测[D];济南大学;2015年

3 芦帅;基于网络时延分析的控制器设计与实验研究[D];浙江大学;2005年

4 康梦晓;IP网络时延测量与估计技术的研究与实现[D];北京邮电大学;2014年

5 张恒;特定流量下网络时延测量方法的设计与实现[D];北京邮电大学;2014年

6 郭诗朦;基于时间序列方法的网络时延预测与改进型广义预测控制算法在网络控制系统中的应用[D];北京交通大学;2013年

7 赵伟;带有网络时延与丢包的T-S嵌套模糊跳变系统的研究[D];北京交通大学;2013年

8 罗杰;输电线路状态监测中的无线传感器网络时延研究[D];湖南大学;2014年

9 王瑞刚;基于Internet液压位置系统的实时控制策略研究[D];上海交通大学;2012年

10 张柯;网络控制系统研究及实验平台建设[D];浙江大学;2007年

，

本文编号：925602