基于人工智能的LAN/WLAN集成网络可靠性研究
发布时间：2021-08-01 20:49
在通信网络日趋复杂、综合的情况下，其可靠性研究已经成为网络管理领域必要进行的课题。目前对网络可靠性仍没有一个统一的定义，已有的研究也只是从不同的侧面进行。人工智能技术的迅速发展，为网络可靠性的研究提供了新的途径，本文利用粒子群算法、支持向量机、神经网络，以及随机Petri网，对LAN／WLAN集成网络的可靠性进行了深入的研究，旨在探索有效的、先进的、智能化的通信网络可靠性评估和预测新方法。1．引入了递减指数和迭代阈值，对基本粒子群算法中线性递减权策略公式进行了改进，提出了一种非线性改变惯性权重的粒子群算法。仿真结果表明，改进PSO算法在搜优精度、收敛速度以及稳定性等方面有明显优势。2．基于LAN／WLAN集成网络提出一种定义通信网络可靠性的新方法。并利用改进后的粒子群算法对BP神经网络权值的选取进行优化，建立了LAN／WLAN集成网络可靠性的预测模型。3．将支持向量回归方法应用于LAN／WLAN集成网络可靠性预测中，通过建立SVM模型对可靠性进行预测。4．基于随机Petri网模型对LAN／WLAN集成网络系统进行了建模，计算出了LAN／WLAN集成网络系统的一系列性能指标。本文对三种可...
【文章来源】：山西大学山西省
【文章页数】：96 页
【学位级别】：硕士
【部分图文】：
LAN八VLAN集成网络的结构图
BP网络采用3层结构，该网络的结构包括四个输入节点、一个输出节点，隐含层的数目为9，从输入层到隐层的转移函数为tansig，从隐层到输出层的转移函数为109519，训练次数为100，训练算法为train一m[74]。经过计算对于PSO改进BP网络优化算法，其粒子种群规模为55，多次实验后参数集为{‘，。，外，几}·{02，”·9，0.3，，oo}时，结果最优。3.2.4结果分析与比较如图3.5所示为基本BP网络对实验1训练集的学习效果，图3.6为PSO优化BP网络方法对实验1训练集的学习效果。表3.4为两种方法对实验1训练集的拟合结果，表3.5为两种方法对实验1检验集的预测结果。虽然PSO优化后的BP网络的收敛速度比基本BP网络要慢一些，但是对检验集的预测精度要高一个数量集。图3.7为两种方法对实验1训练集的拟合结果比较，图3.8为两种方法对实验1检验集的预测结果比较。El舀p，。dti而一工，16.840266‘.oor、‘，s。
图16PSO优化BP网络方法对实验1训练集的学习效果表3.4两种方法对实验1训练集的训练结果比较样本序号实际值0.43880.23490.11130.190900.37610.30340.15150.57940.06560.08150.37120.01270.3545BP网络预测值0.9999967512091610.4387999976540990.2348999960760480.1113000009467060.1908999995657780.0000011638700070.3760999960535460.3033999930691790.1515000008917010.5794000014940620.0656000002141340.0815000010986950.3711999972573930.0126999998850580.354499996273844PSO优化aP预测值0.9852748811750270.4411871915743370.2252510907639340.1355939780166780.1858787411444740.0096565746928970.408040641966460.3902363414701460.1167059987709620.5812751387972380.1113261824777440.0819401719809670.3616684909311430.0058996774625770.35159940459075110一n一12一13一14一15一16一17一18一19一20
【参考文献】：
期刊论文
[1]一种非线性改变惯性权重的粒子群算法[J]. 王丽,王晓凯. 计算机工程与应用. 2007(04)
[2]基于粒子群优化算法的神经网络在油品质量预测中的应用[J]. 李方方,赵英凯,贾玉莹. 计算机应用. 2006(05)
[3]基于粒子群优化算法的BP网络模型在径流预测中的应用[J]. 杨道辉,马光文,刘起方,陶春华,过夏明. 水力发电学报. 2006(02)
[4]一种动态改变惯性权重的粒子群优化算法[J]. 王启付,王战江,王书亭. 中国机械工程. 2005(11)
[5]通信网的总容量归一化加权可靠性指标与算法[J]. 戴伏生,李金鑫,宋立众. 哈尔滨工业大学学报. 2005(05)
[6]粒子群算法中惯性权重的实验与分析[J]. 王俊伟,汪定伟. 系统工程学报. 2005(02)
[7]基于免疫支持向量机方法的电力系统短期负荷预测[J]. 吴宏晓,侯志俭. 电网技术. 2004(23)
[8]粒子群优化算法的分析与改进[J]. 张丽平,俞欢军,陈德钊,胡上序. 信息与控制. 2004(05)
[9]基于支持向量机的船舶电力负荷预测[J]. 王锡淮,朱思锋. 中国电机工程学报. 2004(10)
[10]基于时间序列的支持向量机在负荷预测中的应用[J]. 张林,刘先珊,阴和俊. 电网技术. 2004(19)
硕士论文
[1]遗传算法与神经网络在汇率预测中的应用[D]. 王晓琳.青岛大学 2006
[2]基于支持向量机的软件可靠性早期预测研究[D]. 李嘉.合肥工业大学 2005
[3]改进型遗传算法及其在神经网络参数优化中的应用[D]. 刘亚营.上海海事大学 2003
[4]基于人工神经网络的遗传算法理论及应用[D]. 陈慧琴.武汉理工大学 2003
[5]混合神经网络及其应用研究[D]. 夏宏飞.浙江大学 2003
本文编号：3316223
【文章来源】：山西大学山西省
【文章页数】：96 页
【学位级别】：硕士
【部分图文】：
LAN八VLAN集成网络的结构图
BP网络采用3层结构，该网络的结构包括四个输入节点、一个输出节点，隐含层的数目为9，从输入层到隐层的转移函数为tansig，从隐层到输出层的转移函数为109519，训练次数为100，训练算法为train一m[74]。经过计算对于PSO改进BP网络优化算法，其粒子种群规模为55，多次实验后参数集为{‘，。，外，几}·{02，”·9，0.3，，oo}时，结果最优。3.2.4结果分析与比较如图3.5所示为基本BP网络对实验1训练集的学习效果，图3.6为PSO优化BP网络方法对实验1训练集的学习效果。表3.4为两种方法对实验1训练集的拟合结果，表3.5为两种方法对实验1检验集的预测结果。虽然PSO优化后的BP网络的收敛速度比基本BP网络要慢一些，但是对检验集的预测精度要高一个数量集。图3.7为两种方法对实验1训练集的拟合结果比较，图3.8为两种方法对实验1检验集的预测结果比较。El舀p，。dti而一工，16.840266‘.oor、‘，s。
图16PSO优化BP网络方法对实验1训练集的学习效果表3.4两种方法对实验1训练集的训练结果比较样本序号实际值0.43880.23490.11130.190900.37610.30340.15150.57940.06560.08150.37120.01270.3545BP网络预测值0.9999967512091610.4387999976540990.2348999960760480.1113000009467060.1908999995657780.0000011638700070.3760999960535460.3033999930691790.1515000008917010.5794000014940620.0656000002141340.0815000010986950.3711999972573930.0126999998850580.354499996273844PSO优化aP预测值0.9852748811750270.4411871915743370.2252510907639340.1355939780166780.1858787411444740.0096565746928970.408040641966460.3902363414701460.1167059987709620.5812751387972380.1113261824777440.0819401719809670.3616684909311430.0058996774625770.35159940459075110一n一12一13一14一15一16一17一18一19一20
【参考文献】：
期刊论文
[1]一种非线性改变惯性权重的粒子群算法[J]. 王丽,王晓凯. 计算机工程与应用. 2007(04)
[2]基于粒子群优化算法的神经网络在油品质量预测中的应用[J]. 李方方,赵英凯,贾玉莹. 计算机应用. 2006(05)
[3]基于粒子群优化算法的BP网络模型在径流预测中的应用[J]. 杨道辉,马光文,刘起方,陶春华,过夏明. 水力发电学报. 2006(02)
[4]一种动态改变惯性权重的粒子群优化算法[J]. 王启付,王战江,王书亭. 中国机械工程. 2005(11)
[5]通信网的总容量归一化加权可靠性指标与算法[J]. 戴伏生,李金鑫,宋立众. 哈尔滨工业大学学报. 2005(05)
[6]粒子群算法中惯性权重的实验与分析[J]. 王俊伟,汪定伟. 系统工程学报. 2005(02)
[7]基于免疫支持向量机方法的电力系统短期负荷预测[J]. 吴宏晓,侯志俭. 电网技术. 2004(23)
[8]粒子群优化算法的分析与改进[J]. 张丽平,俞欢军,陈德钊,胡上序. 信息与控制. 2004(05)
[9]基于支持向量机的船舶电力负荷预测[J]. 王锡淮,朱思锋. 中国电机工程学报. 2004(10)
[10]基于时间序列的支持向量机在负荷预测中的应用[J]. 张林,刘先珊,阴和俊. 电网技术. 2004(19)
硕士论文
[1]遗传算法与神经网络在汇率预测中的应用[D]. 王晓琳.青岛大学 2006
[2]基于支持向量机的软件可靠性早期预测研究[D]. 李嘉.合肥工业大学 2005
[3]改进型遗传算法及其在神经网络参数优化中的应用[D]. 刘亚营.上海海事大学 2003
[4]基于人工神经网络的遗传算法理论及应用[D]. 陈慧琴.武汉理工大学 2003
[5]混合神经网络及其应用研究[D]. 夏宏飞.浙江大学 2003
本文编号：3316223
本文链接：https://www.wllwen.com/kejilunwen/rengongzhinen/3316223.html
