基于小波神经网络的校园网络流量预测研究
发布时间：2021-12-29 12:12
互联网服务正在极速运行和发展,并朝着多元化的方向持续变革与创新。网络结构逐渐复杂化,预测模型可为网管中的带宽配置、路由管制和差错调节提供必要的参考,对提升网络性能以提供更好的服务质量（QoS）具有尤为重要的意义。因此,网络流量的分析和预测技术一直是相关领域的热门研究课题。首先,本文在研究了网络流量复杂非线性特征的基础上,对来源于国内高校网络中心内不同设备线路的真实网络流量数据进行筛选和采集;然后从时间序列相关联性的角度考虑,对原始网络流量数据中的缺失和异常部分进行全面识别和修复,同时采用标准归一化的方法完成对网络流量样本的预处理。其次,在深入解析了各类网络流量预测算法的现状和优劣特点后,本文选取小波神经网络（WNN）作为研究的基础,并在其参数反向修正的过程中增加了动量项和动态自学习因子的修正策略,提出了一种智能小波神经网络（IWNN）预测模型。基于实际校园网络流量数据的实验充分说明,IWNN的预测结果在拟合程度和收敛能力等指标上均优于BP神经网络和WNN。再次,为了改善单一IWNN模型预测效果稳定性较弱和误差略高等缺点,本文选用神经网络集成方法,构建了一种基于AdaBoost集成IWN...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
013-2018年中国网民规模和互联网普及率统计
图 3.3 Morlet wavelet 基底函数图形2.2 网络结构设计在构建一个合理且准确的基于 WNN 的网络流量预测模型时，WNN 基结构的建模尤为重要。WNN 的输入层和输出层的节点数量是根据样本造和拟解决的问题场景所决定的，在预测精度和稳定性可控的前提下，可当减少网络拓扑的复杂程度，以提升整体运算效率。（1）基础层级结构设计Kolmogorov 定理中说明，具有 S 型激励函数的单层隐含层神经网络能任意连续函数，即一个简单的三层神经网络可以有效地逼近实际系统需求络节点的冗余度很低[33]，因此本文设计的 WNN 选用输入层、隐含层和各层数目都等于 1 的三层基础层级结构。（2）输入层与输出层节点数设计本文在预测下一时序 t 的网络流量时，需要提供过去 t m 至 t 1 时序
BPNN 和 WNN 模型的预测结果对比图（data-sample1）
【参考文献】：
期刊论文
[1]一种动态调整惯性权重的粒子群优化算法[J]. 董红斌,李冬锦,张小平. 计算机科学. 2018(02)
[2]基于马尔可夫时变模型的流量数据挖掘[J]. 叶德忠,巫忠正,蒋勇. 软件. 2017(09)
[3]改进种群多样性的双变异差分进化算法[J]. 李荣雨,陈庆倩,陈菲尔. 运筹学学报. 2017(01)
[4]基于改进二进制萤火虫的BP神经网络并行集成学习算法[J]. 李敬明,倪志伟,朱旭辉,许莹. 模式识别与人工智能. 2017(02)
[5]基于SNMP的应用进程监控系统研究与实现[J]. 杨芳南,刘春. 北京交通大学学报. 2016(05)
[6]基于GA优化IWNN的短时交通流量预测方法[J]. 吴凡,孙建红,葛鹤银,刘景夏. 实验室研究与探索. 2016(05)
[7]量子遗传算法优化BP神经网络的网络流量预测[J]. 张立仿,张喜平. 计算机工程与科学. 2016(01)
[8]基于小波分析的ARMA-SVR网络流量预测方法[J]. 刘亮,江汉红,王洁,芮万智. 计算机工程与设计. 2015(08)
[9]基于改进粒子群小波神经网络的智能变电站网络流量预测[J]. 王晋,夏勇军,王赠凯. 武汉大学学报(工学版). 2015(04)
[10]小波神经网络在教育网格下行流量预测中的应用[J]. 邱树伟,李琰琰. 计算机系统应用. 2015(05)
博士论文
[1]基于突变理论及协同学的网络流量异常检测方法研究[D]. 熊伟.华中科技大学 2011
[2]基于特征选择技术的集成学习方法及其应用研究[D]. 刘天羽.上海大学 2007
硕士论文
[1]集成学习方法在短期风电功率预测中的应用[D]. 闫佳佳.兰州交通大学 2017
[2]基于改进狼群算法的小波神经网络短时交通流预测[D]. 齐璐.西南交通大学 2017
[3]基于布谷鸟算法的小波神经网络短时交通流预测研究[D]. 黄晓慧.西南交通大学 2016
[4]基于回声状态网络的网络流量预测研究[D]. 吴佳东.兰州大学 2016
[5]基于PSO-BP神经网络的网络流量预测算法的研究与应用[D]. 封鹏.东北大学 2015
[6]基于集成学习的支持向量机预测优化算法及其应用[D]. 束诗雨.东华大学 2015
[7]基于混沌和小波神经网络的短时交通流预测方法研究[D]. 金玉婷.西南交通大学 2014
[8]基于AdaBoost集成PSO-RBF的高速公路交通事件检测算法研究[D]. 张乐.西南交通大学 2014
[9]基于遗传算法优化小波神经网络的网络流量预测模型研究[D]. 李浩磊.西安电子科技大学 2013
[10]基于ESN的网络流量预测算法研究[D]. 冯辰.北京邮电大学 2013
本文编号：3556104
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
013-2018年中国网民规模和互联网普及率统计
图 3.3 Morlet wavelet 基底函数图形2.2 网络结构设计在构建一个合理且准确的基于 WNN 的网络流量预测模型时，WNN 基结构的建模尤为重要。WNN 的输入层和输出层的节点数量是根据样本造和拟解决的问题场景所决定的，在预测精度和稳定性可控的前提下，可当减少网络拓扑的复杂程度，以提升整体运算效率。（1）基础层级结构设计Kolmogorov 定理中说明，具有 S 型激励函数的单层隐含层神经网络能任意连续函数，即一个简单的三层神经网络可以有效地逼近实际系统需求络节点的冗余度很低[33]，因此本文设计的 WNN 选用输入层、隐含层和各层数目都等于 1 的三层基础层级结构。（2）输入层与输出层节点数设计本文在预测下一时序 t 的网络流量时，需要提供过去 t m 至 t 1 时序
BPNN 和 WNN 模型的预测结果对比图（data-sample1）
【参考文献】：
期刊论文
[1]一种动态调整惯性权重的粒子群优化算法[J]. 董红斌,李冬锦,张小平. 计算机科学. 2018(02)
[2]基于马尔可夫时变模型的流量数据挖掘[J]. 叶德忠,巫忠正,蒋勇. 软件. 2017(09)
[3]改进种群多样性的双变异差分进化算法[J]. 李荣雨,陈庆倩,陈菲尔. 运筹学学报. 2017(01)
[4]基于改进二进制萤火虫的BP神经网络并行集成学习算法[J]. 李敬明,倪志伟,朱旭辉,许莹. 模式识别与人工智能. 2017(02)
[5]基于SNMP的应用进程监控系统研究与实现[J]. 杨芳南,刘春. 北京交通大学学报. 2016(05)
[6]基于GA优化IWNN的短时交通流量预测方法[J]. 吴凡,孙建红,葛鹤银,刘景夏. 实验室研究与探索. 2016(05)
[7]量子遗传算法优化BP神经网络的网络流量预测[J]. 张立仿,张喜平. 计算机工程与科学. 2016(01)
[8]基于小波分析的ARMA-SVR网络流量预测方法[J]. 刘亮,江汉红,王洁,芮万智. 计算机工程与设计. 2015(08)
[9]基于改进粒子群小波神经网络的智能变电站网络流量预测[J]. 王晋,夏勇军,王赠凯. 武汉大学学报(工学版). 2015(04)
[10]小波神经网络在教育网格下行流量预测中的应用[J]. 邱树伟,李琰琰. 计算机系统应用. 2015(05)
博士论文
[1]基于突变理论及协同学的网络流量异常检测方法研究[D]. 熊伟.华中科技大学 2011
[2]基于特征选择技术的集成学习方法及其应用研究[D]. 刘天羽.上海大学 2007
硕士论文
[1]集成学习方法在短期风电功率预测中的应用[D]. 闫佳佳.兰州交通大学 2017
[2]基于改进狼群算法的小波神经网络短时交通流预测[D]. 齐璐.西南交通大学 2017
[3]基于布谷鸟算法的小波神经网络短时交通流预测研究[D]. 黄晓慧.西南交通大学 2016
[4]基于回声状态网络的网络流量预测研究[D]. 吴佳东.兰州大学 2016
[5]基于PSO-BP神经网络的网络流量预测算法的研究与应用[D]. 封鹏.东北大学 2015
[6]基于集成学习的支持向量机预测优化算法及其应用[D]. 束诗雨.东华大学 2015
[7]基于混沌和小波神经网络的短时交通流预测方法研究[D]. 金玉婷.西南交通大学 2014
[8]基于AdaBoost集成PSO-RBF的高速公路交通事件检测算法研究[D]. 张乐.西南交通大学 2014
[9]基于遗传算法优化小波神经网络的网络流量预测模型研究[D]. 李浩磊.西安电子科技大学 2013
[10]基于ESN的网络流量预测算法研究[D]. 冯辰.北京邮电大学 2013
本文编号：3556104
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3556104.html
