基于神经网络和马尔柯夫链的网络流量预测方法

ID:21926633

大小:52.50 KB

页数:5页

时间:2018-10-25

基于神经网络和马尔柯夫链的网络流量预测方法_第1页
基于神经网络和马尔柯夫链的网络流量预测方法_第2页
基于神经网络和马尔柯夫链的网络流量预测方法_第3页
基于神经网络和马尔柯夫链的网络流量预测方法_第4页
基于神经网络和马尔柯夫链的网络流量预测方法_第5页
资源描述:

《基于神经网络和马尔柯夫链的网络流量预测方法》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库

1、基于神经网络和马尔柯夫链的网络流量预测方法摘要:本文提出了一种新的X络流量预测方法,该方法根据X络流量历史值,用bp神经X络算法进行预测,然后用马尔柯夫链对bp神经X络算法预测时产生的误差进行修正,从而达到较高的预测精度。应用此模型对实际X络流量进行预测,结果表明了该方法是有效可行的。  关键词:马尔柯夫链预测误差bp神经X络  :TP316.8:A:1007-9416(2011)03-0095-02    1、引言  X络流量的预测问题可以归为时间序列问题,我们用bp神经X络对X络流量进行了预测,实验发现该算法具有较高的预测精度,但对随机波动性大的数据序列进行预测时预测

2、精度不高。马尔柯夫链预测法是利用系统现在状态和发展趋势去预测将来的可能状态的概率,或者说预测事件在预测区间发生的概率。  本文结合了bp神经X络和马尔柯夫链的优点,提出了神经X络马尔柯夫链预测模型。该模型大大提高了模型拟合和预测精度,并将其应用在流量预测中,实验表明了这种方法的有效性。    2、BP神经X络算法  Bp神经X络的基本思想是利用LMS学习算法,在X络的学习过程中使用梯度搜索技术,利用误差向后传播来修正权值,从而实现X络实际输出和期望输出的均方差最小化。本论文中,采用了只有一个隐藏层的神经X络模型。其中表示输出单元,表示隐藏单元,表示输入单元,从输入单元到隐

3、藏单元的连接权为,从隐藏单元到输出单元的连接权为,和分别对应于适当选定的隐藏层和输出层活化函数,则隐藏单元的输入为  其中为输出单元的期望值。利用梯度下降算法对权进行学习,对于隐藏单元到输出单元之间的连接权矩阵,利用梯度下降规则得到  式中:大于0,为适当选定的学习步长。同理,对于从输入单元到隐藏单元之间的连接权矩阵利用链式法则可得  这样可对权实现实时更新:  根据这个更新规则,每一步迭代都减小了在线误差,从而达到某一极小值。  3、建立马尔柯夫链预测模型  马尔可夫链的预测就是根据X络流量的变化趋势,统计流量变化的规律,分析和计算各个状态出现的概率,然后选择最大概率状

4、态作为流量的预测值。我们通过以下几个步骤来建立模型:  3.1预测对象和X络流量状态划分  我们把用bp神经X络对流量进行预测后产生的误差作为预测对象,把误差集合所有X络流量状态记为,我们记,,称误差处在状态。状态的划分要根据实际情况,在不同环境中需要微调。状态区间可以记为:。  3.2计算X络流量状态转移概率矩阵  假设有X络流量状态转移时间为,在时刻误差所处的状态为,用表示X络流量状态经过次转移到达X络流量状态的概率。X络流量状态转移概率可以组成成一个m次状态转移概率矩阵:  在算法设计中一般考虑多步状态转移,但在实际应用中若只考虑一步转移概率矩阵实现起来比较方便。假

5、设当前X络状态为,比较中第行的数值。假设最大,则认为下一时刻系统由状态转向状态的概率最大。如果有两项或多项数值一样,则任意取一个。  (3)计算X络流量预测值。在上面确定了下一时刻最有可能的状态,也就确定了误差的变动区间,我们把平均值作为误差预测值:  其中,为神经X络马尔可夫链预测模型的预测值,为神经X络模型预测值。  4、运用神经X络马尔可夫链模型预测X络流量  我们采用snmp协议采集X络流量值,采集的时间间隔为300秒,用bp算法获得当前时刻的X络流量预测值,然后用马尔可夫链的状态转移矩阵对X络流量预测值进行调整,得到新的X络流量预测值。在本文中神经X络隐藏层和输

6、出层的活化函数为:  ,=0.002(12)  图2是我们应用该模型获得X络流量测量值和预测值图表。  从图2可以看出,基于神经X络和马尔可夫链模型的预测算法具有比较高的准确度。我们经统计分析,历史X络流量的预测精度高达88.6%,实验证明了该方法的有效性。    5、结语  本文结合神经X络和马尔可夫链的优势,建立一种X络流量预测的神经X络马尔可夫链模型。首先将流量历史数据序列用神经X络算法进行预测,得到预测值和误差,再用马尔可夫链对流量的误差进行修正。用实际X络流量对该模型进行验证,实验表明,我们的模型具有很好的X络流量预测精度。

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
正文描述:

《基于神经网络和马尔柯夫链的网络流量预测方法》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库

1、基于神经网络和马尔柯夫链的网络流量预测方法摘要:本文提出了一种新的X络流量预测方法,该方法根据X络流量历史值,用bp神经X络算法进行预测,然后用马尔柯夫链对bp神经X络算法预测时产生的误差进行修正,从而达到较高的预测精度。应用此模型对实际X络流量进行预测,结果表明了该方法是有效可行的。  关键词:马尔柯夫链预测误差bp神经X络  :TP316.8:A:1007-9416(2011)03-0095-02    1、引言  X络流量的预测问题可以归为时间序列问题,我们用bp神经X络对X络流量进行了预测,实验发现该算法具有较高的预测精度,但对随机波动性大的数据序列进行预测时预测

2、精度不高。马尔柯夫链预测法是利用系统现在状态和发展趋势去预测将来的可能状态的概率,或者说预测事件在预测区间发生的概率。  本文结合了bp神经X络和马尔柯夫链的优点,提出了神经X络马尔柯夫链预测模型。该模型大大提高了模型拟合和预测精度,并将其应用在流量预测中,实验表明了这种方法的有效性。    2、BP神经X络算法  Bp神经X络的基本思想是利用LMS学习算法,在X络的学习过程中使用梯度搜索技术,利用误差向后传播来修正权值,从而实现X络实际输出和期望输出的均方差最小化。本论文中,采用了只有一个隐藏层的神经X络模型。其中表示输出单元,表示隐藏单元,表示输入单元,从输入单元到隐

3、藏单元的连接权为,从隐藏单元到输出单元的连接权为,和分别对应于适当选定的隐藏层和输出层活化函数,则隐藏单元的输入为  其中为输出单元的期望值。利用梯度下降算法对权进行学习,对于隐藏单元到输出单元之间的连接权矩阵,利用梯度下降规则得到  式中:大于0,为适当选定的学习步长。同理,对于从输入单元到隐藏单元之间的连接权矩阵利用链式法则可得  这样可对权实现实时更新:  根据这个更新规则,每一步迭代都减小了在线误差,从而达到某一极小值。  3、建立马尔柯夫链预测模型  马尔可夫链的预测就是根据X络流量的变化趋势,统计流量变化的规律,分析和计算各个状态出现的概率,然后选择最大概率状

4、态作为流量的预测值。我们通过以下几个步骤来建立模型:  3.1预测对象和X络流量状态划分  我们把用bp神经X络对流量进行预测后产生的误差作为预测对象,把误差集合所有X络流量状态记为,我们记,,称误差处在状态。状态的划分要根据实际情况,在不同环境中需要微调。状态区间可以记为:。  3.2计算X络流量状态转移概率矩阵  假设有X络流量状态转移时间为,在时刻误差所处的状态为,用表示X络流量状态经过次转移到达X络流量状态的概率。X络流量状态转移概率可以组成成一个m次状态转移概率矩阵:  在算法设计中一般考虑多步状态转移,但在实际应用中若只考虑一步转移概率矩阵实现起来比较方便。假

5、设当前X络状态为,比较中第行的数值。假设最大,则认为下一时刻系统由状态转向状态的概率最大。如果有两项或多项数值一样,则任意取一个。  (3)计算X络流量预测值。在上面确定了下一时刻最有可能的状态,也就确定了误差的变动区间,我们把平均值作为误差预测值:  其中,为神经X络马尔可夫链预测模型的预测值,为神经X络模型预测值。  4、运用神经X络马尔可夫链模型预测X络流量  我们采用snmp协议采集X络流量值,采集的时间间隔为300秒,用bp算法获得当前时刻的X络流量预测值,然后用马尔可夫链的状态转移矩阵对X络流量预测值进行调整,得到新的X络流量预测值。在本文中神经X络隐藏层和输

6、出层的活化函数为:  ,=0.002(12)  图2是我们应用该模型获得X络流量测量值和预测值图表。  从图2可以看出,基于神经X络和马尔可夫链模型的预测算法具有比较高的准确度。我们经统计分析,历史X络流量的预测精度高达88.6%,实验证明了该方法的有效性。    5、结语  本文结合神经X络和马尔可夫链的优势,建立一种X络流量预测的神经X络马尔可夫链模型。首先将流量历史数据序列用神经X络算法进行预测,得到预测值和误差,再用马尔可夫链对流量的误差进行修正。用实际X络流量对该模型进行验证,实验表明,我们的模型具有很好的X络流量预测精度。

显示全部收起
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
关闭