资源描述:
《改进极限学习机的网络流量混沌预测》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、第41卷第4期南京理工大学学报Vol.41No.42017年8月JournalofNanjingUniversityofScienceandTechnologyAug2017改进极限学习机的网络流量混沌预测123刘摇蕴,焦摇妍,王华东(1.周口职业技术学院信息工程学院,河南周口466000;2.河南应用技术职业学院信息工程学院,河南开封475000;3.周口师范学院计算机科学与技术学院,河南周口466001)摘摇要:为了获得更加精确的网络流量预测,降低网络拥塞的频率,提出了改进极限学习机的网络流量预测模型。针对网络流量混沌性分
2、别确定原始网络流量的延迟时间和嵌入维数,采用极限学习机对网络流量的变化特点进行拟合,改进标准学习机,改善学习速度和预测性能,最后通过网络流量数据的预测实验验证其可行性。验证结果表明:与其它网络流量预测模型相比,改进极限学习的网络流量预测结果更加可靠,对网络流量将来变化趋势可以更加准确描述,提高了网络流量预测精度。关键词:网络流量;相空间重构;极限学习机;混沌变化特性中图分类号:TP393摇摇文章编号:1005-9830(2017)04-0454-06DOI:10.14177/j.cnki.32-1397n.2017.41.04
3、.009Chaoticpredictionofnetworktrafficbasedonimprovedextremelearningmachine123LiuYun,JiaoYan,WangHuadong(1.SchoolofInformationEngineering,ZhoukouVocationalandTechnicalCollege,Zhoukou466000,China;2.SchoolofInformationEngineering,HenanVocationalCollegeofAppliedTechnolo
4、gy,Kaifeng475000,China;3.SchoolofComputerScienceandTechnology,ZhoukouNormalUniversity,Zhoukou466001,China)Abstract:Inordertoobtainmoreaccuratepredictionofnetworktrafficandreducethecongestionfrequencyofnetwork,anovelnetworktrafficpredictionmodelbasedonimprovedextreme
5、learningmachineisproposedinthispaper.Firstly,thedelaytimeandembeddingdimensionaredetermined摇收稿日期:2017-01-09摇摇修回日期:2017-03-16摇基金项目:国家自然科学基金(U1504613);河南省高校科技创新团队计划(17IRTSTHN009)摇作者简介:刘蕴(1973-),女,副教授,主要研究方向:计算机网络、物联网工程等,E鄄mail:liuyy858@tom.com;通讯作者:王华东(1977-),男,硕士,副教授
6、,主要研究方向:计算机网络与通信,E鄄mail:46935563@qq.com。摇引文格式:刘蕴,焦妍,王华东.改进极限学习机的网络流量混沌预测[J].南京理工大学学报,2017,41(4):454-459.摇投稿网址:http://zrxuebao.njust.edu.cn总第215期刘摇蕴摇焦摇妍摇王华东摇改进极限学习机的网络流量混沌预测摇45摇5accordingtothechaosofnetworktraffic,andsecondly,extremelearningmachineisusedtosimulatethe
7、changeruleofnetworktrafficwhichstandardlearningmachineisimprovedtoimprovethelearningspeedandperformance,finally,thefeasibilityofisverifiedbythenetworktrafficdata.Theresultsshow,thenetworktrafficpredictionresultsoftheproposedmodelaremorereliableComparedwithothernetwo
8、rktrafficpredictionmodels,candescribethechangetrendofnetworktrafficandimprovesthepredictionaccuracyofnetworktraffic.Keywords:networktraffi