小波回声状态网络的流量预测.pdf

《小波回声状态网络的流量预测.pdf》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44卷第2期内蒙古师范大学学报(自然科学汉文版)Vo1．44NO．22015年3月Journa1ofInnerMongoliaNormalUniversity(Natura1ScienceEdition)Mar．2O15小波回声状态网络的流量预测潘颖(广西经贸职业技术学院信息工程系，广西南宁530021)摘要：网络流量是一种复杂、多变的非线性混沌系统，为了获得更加理想的网络流量预测结果，针对传统回声状态网络的不足，提出一种小波回声状态网络流量预测模型(wEsN)．首先采用小波分解将网络流量数据分解成高频和低频，然后将

2、高频和低频的数据同时输入回声状态网络进行学习，从而解决了ESN模型中存在的病态矩阵问题，最后对模型性能进行仿真测试．结果表明，WESN可以很好地拟合网络流量变化，具有一定的实际应用价值．关键词：网络流量；回声状态网络；小波分解；小波回声状态网络中图分类号：TP391文献标志码：A文章编号：1001-8735(2015)02-0240-05随着计算机技术的快速发展，互联网络规模越来越大，网络交流快速便捷，使得网络用户数量快速的增大，网络拥塞频率随之增加，如何建立性能优异的网络流量预测模型，降低网络拥塞频率，提高网络通信质

3、量，成为当前研究中的重点和难点]．由于网络参与人众多，属于一种高度复杂的巨系统，难以用特定的函数进行表示．为了准确地对网络流量进行预测，国内外专家学者提出了许多网络流量预测模型。]，根据这些预测模型的建模原理，可以将这些预测模型归为传统的线性预测模型和非线性人工智能模型L4]．传统的线性预测模型基于网络流量时间序列是一种线性变化规律进行建模，尽管这种传统的线性预测模型因为不需要充分考虑网络流量时间序列之间隐含的信息，建模速度快，但是由于网络流量时间序列受到多种因素影响，具有一种时变性、混沌性等非线性变化特点，而传统的线

4、性模型不能很好地反映网络流量时间序列的变化特征，导致预测的精度低]．非线性智能模型主要包括神经网络和支持向量机等人工智能模型，这些人工智能模型可以准确对网络流量变化趋势进行拟合，预测精度较传统线性预测模型得到了很大程度的提升，但是在具体应用过程中，神经网络需要大量的样本，才能较好地进行网络流量的预测，同时，网络易陷入局部最优l6]．支持向量机尽管泛化能力优异，但是存在训练时间过长的问题，不能满足网络流量预测的实时性要求]．为了弥补传统的神经网络的缺陷，Jaeger等提出了回声状态网络(echostatenetwork，

5、ESN)，回声状态网络在训练过程中，可以随机生成网络的权值与储备池内部连接权值，而且可以保持不变，在运算过程中仅通过线性回归方法对输出权值进行求解，相对于传统神经网络，回声状态网络具有泛化能力优异、简单、易实现等优点，但是在实际应用中，ESN常采用线性回归算法对输出权值进行求解，因此易导致病态解，并且其输出的权值变化幅度通常较大．为了提高网络流量预测精度，针对ESN存在的不足，本文提出一种小波回声状态网络(waveletechostatenetwork，WESN)的网络流量预测模型．1小波回声状态网络(WESN)1．1

6、回声状态网络在传统神经网络的基础上，有学者提出了回声状态网络(ESN)，其具有更好的学习速度和泛化能力．ESN由输入层、储备池和输出层3部分组成，其中，动态储备池(DR)由大量稀疏连接的神经元组成，具有短期记忆功能．ESN结构示意图如图1所示．回声状态网络演化方程为收稿日期：2014—05—10基金项目：广西高校科学技术研究项目(2013YB333)作者简介：潘颍(1980-)，女(瑶族)，广西南宁人，广西经贸职业技术学院讲师，主要从事数据库技术、软件技术、物联网技术研究内蒙古师范大学学报(自然科学汉文版)第44卷列小

7、波在时间轴上进行平移来获得与表征信号相似的小波系数．在进行网络流量预测过程中，派生小波能够对有限长的网络流量时间序列进行精确地度量，达到任意小的规定精度_】．设()为一平方可积函数，称之为小波线函数，用()∈L。(R)表示，该函数的傅里叶变换(叫)满足式(6)的条件：C一I。I()I／IIdo)o·7其中：以，(￡)表示a，r的小波基函数；a表示伸缩因子；r表示平移因子．2．2小波分解网络流量受到多种因素影响，其复杂多变，如具有随机性、非线性，因此本文采

8、用小波变解对其进行处理．网络流量时间序列数据属于一种离散时间序列数据，设X()，t一0，1，⋯，N一1为原始数据，利用低通滤波器对其进行预处理，尺度系数为Cj--1(￡)一∑(z)(￡+2z)．(8)根据小波分解的性质，各尺度下的细节系数如下：d汁1(Z)一C，(￡)一C汁1(￡)．(9)网络流量时间序列的小波分解结果为D一{dl