基于量子自适应粒子群优化径向基函数神经网络的网络流量预测：基于量子自适应粒子群优化径向基函数神经网络

  本文关键词：基于量子自适应粒子群优化径向基函数神经网络的网络流量预测，由笔耕文化传播整理发布。

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测：基于量子自适应粒子群优化径向基函数神经网络

论文发表网　 发布时间：2016-06-04 13:20:15　 来源：网络整理　 浏览数：

本文关键词：基于量子自适应粒子群优化径向基函数神经网络的网络流量预测，由论文发表网整理发布。

第3 5卷第 9期 2 0 1 3年 9月

电

子

与

信

息

学

报

、 b1 . 3 5 NO . 9 S e p t . 2 0 1 3

J o u r n a l o f El e c t r o n i c s& I n f o r ma t i o n Te c h n o l o g y

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测 郭通兰巨龙李玉峰 江逸茗 4 5 0 0 0 2 ) (国家数字交换系统工程技术研究中心 摘

郑州

要：该文提出一种量子白适应粒子群优化算法，该算法中，粒子位置的编码采用量子比特实现，利用粒子飞行

轨迹信息动态更新量子比特的状态，并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络， 实现了径向基函数 ( R B F1神经网络参数优化，建立了基于量子自适应粒子群优化 RBF神经网络算法的网络流量预测模型，论文查重，我们为你指点迷津。对真实网络流量的预测结果表明，该方法的收敛速度和预测精度均要优于传统 RB F神经网络法、粒子群一 RB F神经网络法、混合粒子群一 R BF神经网络法和自适应粒子群一 RB F神经网络法，并且预测效果不易受时间 尺度变化的影响。 关键词：径向基函数神经网络；自适应粒子群优化；量子比特；流量预测

中图分类号：T P 3 9 3

文献标识码： A

文章编号： 1 0 0 9— 5 8 9 6 ( 2 0 1 3 ) 0 9— 2 2 2 0— 0 7

D O I: 1 0 . 3 7 2 4/ S P . J . 1 1 4 6 . 2 0 1 2 . 0 1 3 4 3

Ne t wo r k Tr a f 1 I i C Pr e d i c t i o n wi t h Ra d i a l Ba s i s Fun c t i o n Ne u r a l Ne t wo r k

Ba s e d o n Q u a n t u m Ad a p t i v e Pa r t i c l e S wa r m Op t i mi z a t i o n Gu o T o n g La n J u - - l o n g Li Yu - - f e n g J i a n g Yi - - mi n g

( N a t i o n a l D i g i t a l S w i t c h i n g S y s t e m E n g i n e e r i n g&T e c h n o l o g i c a l R& D C e n t e r, Z h e n g z h o u 4 5 0 0 0 2,

C h i n a ) A b s t r a c t:A n o v e l Qu a n t u m A d a p t i v e P a r t i c l e S w a r m O p t i mi z a t i o n( QAP S O)me t h o d i s p r o p o s e d .I n t h i s a l g o r i t h m,t h e p o s i t i o n e n c o d i n g o f t h e p a r t i c l e i s a c h i e v e d wi t h q u a n t u m b i t s, a n d t h e s t a t e o f q u a n t u m b i t i s

u p d a t e d d y n a mi c a l l y wi t h p a r t i c l e t r a j e c t o r y i n f o r ma t i o n . T h e n t h e mu t a t i o n o p e r a t i o n i s p e r f o r me d b y q u a n t u m n o n— g a t e t o a v o i d f a l l i n g i n t o l o c a l o pt i mu m, wh i c h i n c r e a s e s t h e d i v e r s i t y o f p a r t i c l e s . Af t e r wa r d s j t h e Ra di a l Ba s i s

F u n c t i o n( R B F) n e u r a l n e t w o r k i s t r a i n e d wi t h QAP S O t o i mp l e me n t t h e o p t i mi z a t i o n o f RB F n e u r a l n e t w o r k p a r a me t e r s . T h e n e t w o r k t r a f f i c p r e d i c t i o n mo d e l i s e s t a b l i s h e d b a s e d o n t h e Qu a n t u m A d a p t i v e P a r t i c l e S wa r m

Op t i mi z a t i o n a n d RB F N e u r a l N e t w o r k( QAP S O— RB F NN) .F o r e c a s t i n g r e s u l t s o n r e a l n e t wo r k t r a f i c d e mo n s t r a t e t h a t t h e c o n v e

r g e n c e s p e e d o f t h e p r o po s e d me t h o d i s f a s t e r a n d p r e d i c t i o n a c c u r a c y i s mo r e a c c u r a t e

t h a n t h a t o f t r a d i t i o n a l RB F n e u r a l n e t wo r k, t h e P a r t i c l e S wa r m Op t i mi z a t i o n a n d RB F NN f PS O— R B F NN),

H y b r i d P a r t i c l e S w a r m Op t i mi z a t i o n a n d RB F NN ( HP S O— RB F N N), A d a p t i v e P a r t i c l e S w a r m Op t i mi z a t i o n a n d

R B F N e u r a l N e t w o r k( A P S O— R B F N N ) . F u r t h e r mo r e, t h e f o r e c a s t i n g e f f e c t o f t h i s me t h o d i s s t a b l e o n d i f f e r e n t s c a l e s . Ke y wo r ds:Radi al Bas i s Fu nc t i on Ne ur al Ne t wor k ( RB F NN); Ad a p t i v e P a r t i c l e S wa r m Op t i mi z a t i o n( AP S O)

Qu a n t u m b i t; T r a ic f p r e d i c t i o n

1 引言 网络流量的建模与预测对于大规模网络的规 划设计、网络资源管理以及用户行为的调节等方面

常用的网络流量预测工具，文献『 2]利用 RB F神经网络对网络流量建模，同时进行了预测，并取得了较

好的效果，但径向基层与输出层间联接权的求解存

具有重要意义 _ 1] o神经网络以其良好的非线性映射能 力和对历史数据的强大的训练学习能力而被广泛地应用于流量数据的建模及预测方面。径向基函数 ( Ra d i a l Ba s i s F u n c t i o n, RB F )神经网络是近年较为

在病态问题，而且径向基层单元参数的设置是基于 参数空间局部信息的，不是

参数空间的全局最优值[ 3】 c对于具有随机性的网络流量而言，要达到较高

的预测精度，必须对其结构参数从全局进行动态搜 索。

粒子群优化( P a r t i c l e S wa r m Op t i mi z a t i o n, 2 0 1 2— 1 0— 1 9收到，2 0 1 3— 0 5— 0 3改回

国家 9 7 3计划项目( 2 0 1 2 C B 3 1 5 9 0 0 ):￣ n N家 8 6 3计划项目( 2 0 1 1 A A 0 1 A1 0 3 )资助课题 通信作者：郭通 g u o t o n g 1 9 8 4@y a h o o . c o n. r c n

P S O)算法是一种基于群智能的随机全局优化计算 方法 _ 4 1，，本站提供优质的工程师论文发表服务，希望可以帮到你。该算法以其建模简单、收敛速度快且易于实现等优点，在组合优化多目标辨识[ 6 1、资源分

本文关键词：基于量子自适应粒子群优化径向基函数神经网络的网络流量预测，由论文发表网整理发布。

本文来自论文发表网，转载请注明本文网址：

  本文关键词：基于量子自适应粒子群优化径向基函数神经网络的网络流量预测，由笔耕文化传播整理发布。