基于支持向量机的网络参数模型研究

《基于支持向量机的网络参数模型研究》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、基于支持向量机的网络参数模型研究王启明，郑均辉（平顶山学院计算机科学与技术学院，河南平顶山467002）摘要：使用模糊层次分析法对支持向量机的两个参数进行寻优，并用寻找到的最优参数训练支持向量机，建立网络参数模型。首先使用模糊层次分析法对支持向量机两个参数进行寻优，然后用寻找到的最优参数训练支持向量机，最后建立预测模型，预测网络流量。实验结果表明，该方法不但可以较好地跟踪网络流量变化趋势，使网络流量的预测值与实际值非常接近，而且预测误差变化范围波动小，是一种有效且预测精度高的网络参数模型。.jyqk，GA）、人工鱼群算法（ArtificialFishAlgorithm，A

2、FA）、粒子群优化（ParticleSOptimization，PSO）算法。例如，王瑞雪研究了一种通过GAFA（全局人工鱼群算法）优化SVR模型的网络流量预测方法，但是AFA优化的SVR预网络流量预测方法，结果不稳定[8]。曾伟等研究了采用粒子群优化算法优化SVM预测模型，研究表明提高了SVM模型的预测精度，但预测的稳定性依然不高，并且容易陷入局部极值[9]。Lu预测模型，由于遗传算法的固有缺点，效果也不尽理想[10]。针对当前网络流量非线性时变、混沌等特点，本文研究对SVM预测模型进行改进，使用模糊层次分析法对SVM进行参数寻优，并用寻找到的最优参数训练SVM，建立预

3、测模型。1支持向量机参数选择问题设给定样本集{(x1,y1),-,(xi,yi),-,(xn,yn)}。其中xi∈Rn表示输入变量；yi∈{+1,-1}为输出变量，分两类问题；n为学习样本数。φ(x)为非线性映射函数，最优分类超平面构造如下[11-13]：对非线性分类问题，引入核函数k(xi,xj)将式（1）变换为：为简化SVM参数优化，选择径向基函数（RBF）（只需确定一个参数σ）作为SVM的核函数。因此要获取性能优越的SVM，需要选取最合适的σ和C，因此SVM参数优化的数学模型为：SVM参数优化目标函数定义为SVM预测模型预测网络流量的正确率（G），SVM预测模型参数

4、的优化问题描述如下：约束条件为：式（6）是一个两个参数组合优化问题。2模糊层次分析法优化SVM参数2.1采用层次分析法确定σ和C参数权重首先利用层次分析法[13]确定σ和C参数的权重，首先构造判断矩阵C=(cij)n×n，其中cij表示因素i和因素j相对相标的重要性程度值，且cij>0；cij=cji；当i=j时，则cij=1。各参数的相对权重参数评估流程如图1所示。按照图1中的首先构建评估指标体系，对σ和C参数进行分析，并结合实际情况建立判断举证，对各评估参数进行综合评估，最后输出参数选择结果。3结语本文对SVM预测模型进行改进，使用模糊层次分析法对SVM的两个参

5、数进行寻优，并用寻找到的最优参数训练SVM，建立预测模型，预测网络流量。实验表明，该方法是一种预测精度高、有效的网络流量预测方法。简介：王启明（1980—），男，河南鲁山人，讲师，硕士。研究方向为软件工程算法和物联网。.jyqkodelbasedonauto-regressivemovingaverage[J].JournalofNet-entof-odel[J].puterEngineeringandDe-sign，2012，33（3）：865-869.[3]XIONGNan，LIUBai-feng.OnlineoptimizationLSSVM[J].Jour-nal

6、ofputerapplicationsandsoftodelbasedonCatfish-PSO-SVM[J].JournalofNeteon.Enhancingalydetectionviastatisticalunications，2006，29（10）：1627-1638.[6]CHANGBao-bong，TSAIHsiuFen.Improvingodelprediction[J].ExpertSystemsing，HUDa-min.parativestudyontimeseriesofodel[J].JournalofElectronics，2009，5（11）：

7、2353-2359.[8]anychildrenpopulationPSOtooptimizetheSVMetersofodeljointlyoptimizedbygeicalgorithm[J].JournalofNet-a-tionbasedonquantum-behavedparticlesoptimization[J].JournalofInformationputationalScience，2010，7（5）：1059-1064.[12]QINHS，classificationbasedonNGA[J].Lectu