基于深度学习的机会网络拓扑预测机制研究

《基于深度学习的机会网络拓扑预测机制研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：10406分类号：TP393.17学号：1300812z1004南昌航空大学硕士学位论文(学术学位研究生)基于深度学习的机会网络拓扑预测机制研究硕士研究生：罗序燕导师：舒坚申请学位级别：硕士学科、专业：物联网技术所在单位：软件学院答辩日期：2016年6月授予学位单位：南昌航空大学TopologyPredictionMechanismforOpportunisticNetworkBasedonDeepBeliefNetworkAThesisSubmittedfortheDegreeofMasteronInterne

2、tofThingsTechnologiesbyXuyanLuoUndertheSupervisorofProf.JianShuSchoolofSoftwareNanchangHangkongUniversity,Nanchang,ChinaJune,2016摘要机会网络（OpportunityNetwork，ON）是一种不需要源节点和目标节点之间存在完整连通路径，利用节点移动带来的相遇机会实现通信的移动自组织网络。机会网络中节点移动频繁，节点之间间歇性连接，致使其网络拓扑结构随时间频繁地发生改变，这给机会网络研究带来了诸多

3、困难，主要包括路由转发机制、网络负载与效率、网络服务质量、网络行为预测等。本文来源国家自然科学基金项目，研究机会网络中网络行为预测的拓扑预测问题，主要内容如下：(1)相似性指标的建立；(2)深度信念网络（DeepBeliefNetwork，DBN）模型的建立；(3)支持向量回归机的建立。针对机会网络的时变性，基于时间序列理论和方法，在综合考虑节点之间权值、局部路径和节点强度三个方面的基础上，构建了一种能够反映机会网络拓扑结构随时间动态变化的相似性指标；基于信息熵理论、自适应学习率构建作为特征提取器的DBN模型，其中基于信息

4、熵理论自动计算得到受限玻尔兹曼机（RestrictedBoltzmannMachine，RBM）隐含层神经元数量，采用自适应学习率使RBM的重构误差快速达到平稳，缩短网络收敛时间；采用高斯核函数、K折交叉验证等方法构造基于最小二乘支持向量回归机（LeastSquaresSupportVectorRegressionMachine，LS-SVR）的回归机模型（DBN-LS-SVR）。本文采用命中率R_HIT和受试者工作特征曲线（ReceiverOperatingCharacteristicCurve，ROC）中的Precis

5、ion、Accuracy指标来评价拓扑预测结果，并且在INFOCOM05（INF’05）、MIT数据集上设计了多组对比实验验证DBN-LS-SVR模型。实验结果表明信息熵方法可以根据输入数据找出RBM隐含层神经元数量的合适值，自适应学习率可以加快RBM网络的收敛速度，在一程度上提高了DBN网络的计算效率；与LS-SVR模型相比，DBN-LS-SVR模型的建模能力和拟合输入数据的能力更强，能够获得更好的预测效果。关键词机会网络；深度信念网络；拓扑预测；相似性指标；最小二乘支持向量回归机IAbstractOpportunity

6、network(ON)isakindofmobileself-organizingnetwork,whodoesnotneedacompletecommunicationroutebetweensourcenodeanddestinationnode.Itmakesuseoftheencounterchancebringbythenodemobilitytocommunicate.ONhasthefeaturesofnodemobilityandintermittentconnectionbetweennodes,whic

7、hleadtothenetworktopologychangedfrequentlyovertimeandbringsomeresearchchallenges,includingroutingforwardingmechanism,networkload,qualityofnetworkservice,networkbehaviorprediction,andetc.ThethesisissupportedbytheNationalNaturalScienceFoundation,itwillstudyontopolog

8、ypredictionissuesofnetworkbehaviorpredictionforON.Itfocuson,1)buildingofsimilaritymetrics;2)buildingofdeepbeliefnetwork(DBN);and3)buildingofsupportvecto