| 【中文题名】 | 基于联合神经网络的流量预测模型 |
| 【英文题名】 | |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-19 |
| 【中关键词】 | 预测,自相似特性,神经网络,小波,时间尺度, |
| 【英关键词】 | prediction,self-similar,neural network,wavelet,timescale, |
| 【分类导航】 | 工业技术>无线电电子学、电信技术>通信>通信网>一般性问题>测试、运行 |
| 【论文摘要】 |
从90年代初迅猛发展起来的Internet网，已经迅速改变了人们的生活和传统意义上的信息产业构架，能否有效地实施对Internet网的业务控制则取决于对业务特征的了解和预测能力。自相似特性是目前计算机网络(包括局域网和广域网)所具有的一个普遍特性，自相似业务量[1]对计算机网络的管理和控制有着非常重要的影响。随着网络应用和规模的不断增加，网络管理工作越来越繁重，网络故障也频频出现：不了解网络运行状况，系统出现瓶颈；当系统出现故障后，不能及时发现、诊断；网络设备众多，配置管理非常复杂；网络安全受到威胁等。这些新问题的出现对现在的网络研究工作提出了新的任务和挑战。本文首先介绍了网络自相似性的起源、定义、表现及Hurst效应H值的度量方法[2]，分析了网络产生自相似性的原因及其对网络性能的影响。在对网络自相似性进行理论分析的基础上，分析网络特性的下一步工作就是建立精确的模型来预测网络流量。在第五章里，构建了一种新的预测模型。该模型首先使用小波方法对网络流量进行预处理，然后分别使用线性神经网络和Elman神经网络进行预测，以保证能够描述流量的相关和非平稳性，最后把两种预测的结果分别通过四种联合方式(取平均、... |
| 【论文题纲】 |
|
摘要 |
8-9 |
|
ABSTRACT |
9-10 |
|
符号说明 |
10-11 |
|
第一章 绪论 |
11-15 |
|
1.1 研究背景及意义 |
11-12 |
|
1.2 本文的工作 |
12-14 |
|
1.3 小结 |
14-15 |
|
第二章 网络流量的特性和模型研究 |
15-30 |
|
2.1 传统网络流量模型的特点 |
15-17 |
|
2.2.1 马尔可夫过程 |
15 |
|
2.2.2 泊松过程 |
15-17 |
|
2.2 网络流量特性 |
17-21 |
|
2.2.1 自相似过程的定义 |
17-19 |
|
2.2.2 长相关特性 |
19-20 |
|
2.2.3 多重分形和突发性特征 |
20-21 |
|
2.3 网络流量Hurst参数的估计方法 |
21-25 |
|
2.3.1 方差时间法 |
22 |
|
2.3.2 绝对值-时间法 |
22 |
|
2.3.3 周期图 |
22-23 |
|
2.3.4 R/S估值法 |
23 |
|
2.3.5 Whittle估计方法 |
23-24 |
|
2.3.6 小波法 |
24-25 |
|
2.4 网络业务流量模型 |
25-29 |
|
2.4.1 分形布朗运动(FBM) |
25-26 |
|
2.4.2 分形高斯噪声(FGN) |
26 |
|
2.4.3 分形ARIMA过程(FARIMA) |
26-27 |
|
2.4.4 ON/OFF信源叠加 |
27-28 |
|
2.4.5 多分形小波模型(Multifractal Wavelet Model) |
28-29 |
|
2.5 小结 |
29-30 |
|
第三章 小波变换理论 |
30-38 |
|
3.1 连续小波变换 |
30-33 |
|
3.2 离散小波变换 |
33-34 |
|
3.3 小波框架 |
34-35 |
|
3.4 多分辨率分析与Mallet算法 |
35-37 |
|
3.5 小结 |
37-38 |
|
第四章 神经网络模型及改进的学习算法 |
38-50 |
|
4.1 神经元模型 |
38-39 |
|
4.2 神经网络模型 |
39-41 |
|
4.3 几种典型神经网络结构 |
41-42 |
|
4.4 神经网络的学习与训练 |
42-43 |
|
4.5 可变学习速度的BP算法 |
43-48 |
|
4.6 小结 |
48-50 |
|
第五章 基于联合神经网络的网络流量预测模型 |
50-63 |
|
5.1 网络流量的平稳化处理 |
51-53 |
|
5.2 线性神经网络预测 |
53-54 |
|
5.3 Elman神经网络预测 |
54-55 |
|
5.4 BP神经网络拟合数据 |
55-56 |
|
5.5 对并行预测数据的联合方法 |
56-57 |
|
5.6 实验仿真 |
57-62 |
|
5.6.1 实验数据 |
57 |
|
5.6.2 模型的构建和训练 |
57-58 |
|
5.6.3 实验结果 |
58-62 |
|
5.7 小结 |
62-63 |
|
第六章 结束语 |
63-64 |
|
参考文献 |
64-69 |
|
致谢 |
69-70 |
|
攻读硕士期间发表的学术论文 |
70-71 |
|
学位论文评阅及答辩情况表 |
71 |
|
| 【DOI】 | LunWen.ID:2.2008.388686 |
