业务分离的一种神经网络方法

在分组交换网络中,源目节点对（ｓｏｕｒｃｅ－ｄｅｓｔｉｎａｔｉｏｎ ｐａｉｒ,下称ＳＤ对）之间的业务常常需要在多条路径上并行传输。本文研究如何将业务流有效地分布于一组路径上,以使网络具有最小的分组平均时延。由于这个问题在很多情况下需要实时处理,因此我们提出了一种神经网络方法来加以解决,在一个典型网络上的试验表明,我们的方法获得的结果优于前人用各种严格的数学分析方法得到的好的结果。     

组合神经网络的网络流量预测研究

提出一种组合神经网络的网络流量预测模型.首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度.仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景.     

基于卷积神经网络的Android流量分类方法

深度学习就是机器学习研究的过程,主要通过模拟人脑分析学习的过程对数据进行分析。目前,深度学习技术已经在计算机视觉、语音识别、自然语言处理等领域获得了较大发展,并且随着该技术的不断发展,为网络流量分类和异常检测带来了新的发展方向。移动智能手机与大家的生活息息相关,但是其存在的安全问题也日益凸显。针对传统机器学习算法对于流量分类需要人工提取特征、计算量大的问题,提出了基于卷积神经网络模型的应用程序流量分类算法。首先,将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。其次,设计了一种新的卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手,构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中的特征选择问题。最后,通过CICAndmal2017网络公开数据集进行模型测试,相比于传统的机器学习流量分类模型,设计的卷积神经网络模型的查准率和查全率分别提高了2.93%和11.87%,同时在类精度、召回率以及F1分数方面都有较好的提升。     

基于神经网络模型的网络流量预测综述

网络流量预测技术可以帮助运营商准确预估网络的使用情况,合理分配并高效利用网络资源,以满足日益增长且多样化的用户需求。大量研究表明,神经网络的预测性能高于其他经典预测方法,在网络流量预测中的应用潜力巨大。总结网络流量预测的一些关键因素和预测误差评判方法,重点介绍近年提出的可用于预测的神经网络模型原理、相关预测方法及其属性比较,旨在为包括流量在内的各种网络参数预测技术的学术研究与实际应用提供可借鉴的方法和手段。     

一种用于ATM业务量预测的神经网络模型

提出了一种用于ATM网络业务量智能预测的神经网络模型，并对随机产生的自回归型业务量进行了预测。模拟结果表明，与相关文献给出的神经网络模型相比，该模型不但收敛速度较快，而且推广能力强，提高了预测的精度和可靠性。     

遗传优化神经网络的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传算法优化神经网络的网络流量预测模型.首先将相空间重构和神经网络参数进行编码,网络流量预测精度作为目标函数,然后通过遗传算法选择模型最优参数,最后进行网络流量仿真实验.实验结果表明相对传统预测模型,遗传优化神经网络模型具有更高预测精度及稳定性更好.     

基于神经网络的网络流量预测算法研究

网络流量预测有助于网络服务质量的提升和网络资源的合理分配,对优化网络管理与运营、保障用户体验质量至关重要.因特网业务的急剧增加和基础网络的快速发展导致网络流量变得更加复杂多样,传统网络流量预测模型难以保证较高的预测精度,而神经网络作为人工智能的重要分支,在预测复杂网络流量时具有显著优势.简述反向传播神经网络、径向基神经...     

基于神经网络的隧道小时交通量预测方法

充分利用人工神经网络强大的学习能力和其对非线性系统很强的模拟能力以及MATLAB的人工神经网络工具箱的强大功能,建立隧道小时交通量神经网络预测模型,对隧道短期交通量预测方法进行研究。研究测试结果表明经过训练后的神经网络能够很好地预测隧道下一时段的交通量,其精度完全可以满足实际应用的要求。用神经网络理论进行隧道小时交通量预测具有建模容易、精确度高、联想记忆等优点。     

基于MCC的网络流量预测方法

This paper proposes a method for improving the precision of Network Traffic Prediction based on the Maximum Correntropy Criterion (NTPMCC), where the nonlinear characteristics of network traffic are consid-ered. This method utilizes the MCC as a new error evaluation criterion or named the cost function (CF) to train neural networks (NN). MCC is based on a new similarity function (Generalized correlation entropy function, Correntropy), which has as its foundation the Parzen window evaluation and Renyi entropy of error probability density function. At the same time, by combining the MCC with the Mean Square Error (MSE), a mixed evaluation criterion with MCC and MSE is proposed as a cost function of NN training. According to the traffic network characteristics including the nonlinear, non-Gaussian, and mutation, the Elman neural network is trained by MCC and MCC-MSE, and then the trained neural net-work is used as the model for predicting net-work traffic. The simulation results based on the evaluation by Mean Absolute Error (MAE), MSE, and Sum Squared Error (SSE) show that the accuracy of the prediction based on MCC is superior to the results of the Elman neural network with MSE. The overall performance is improved by about 0.0131.     

基于神经网络的城市交通流预测研究

 建立了一种基于神经网络的交通流量动态预测模型,分别采用BP神经网络和径向基网络(RBF)建立了预测模型,给出了数据预处理方法和预测模型评价指标.仿真结果表明该交通流量预测方法的有效性,结果分析得出径向基网络能够更加快速有效的进行城市交通流预测.     

一种基于残差网络的改进网络流量分类算法

基于卷积神经网络的网络流量分类算法中,为了提高分类准确度,其结构设计日趋复杂,容易出现梯度下滑甚至梯度消失,导致预测准确度不升反降.文章提出了一种基于残差网络的改进流量分类算法,引入残差网络层代替传统卷积神经网络中的卷积层和池化层,不仅缓解了传统卷积网络因层次太深导致难以训练的问题,同时与传统卷积运算相比,所提出的残差...     

用于VBR视频通信量预测的梯度径向基函数网络模型

提出采用梯度径向基函数(GRBF,gradientradialbasisfunction)神经网络实现VBR(variablebitrate)视频通信量的预测,由于GRBF神经网络采用差分输入,能够消除由于局部平均值随时间变化而造成的不稳定性,特别适合于非平稳时间序列预测。仿真结果显示,GRBF神经网络模型的预测误差(相对均方误差)为2.9×10-3,而其它几种常见预测模型的预测误差在(1.6～8.5)×10-2之间。     

基于BP神经网络的城市交通流预测研究

交通流预测在城市交通管理和控制中起着十分重要的作用。在分析城市交通流复杂非线性特性的基础上引入BP神经网络模型,从人工智能的角度对交通流预测进行了研究,同时给出了一种基于BP神经网络模型的交通流预测方法,通过对预测数据与实测数据的比较分析,证实了该方法的有效性。     

基于神经网络的业务量预测研究

分别采用back—propagation（BP）算法和Favidon最小二乘学习算法训练神经网络（NN），并用于复杂业务流量预测。以自相似流量模型验证了2种NN学习算法的有效性，并分析比较了他们在流量预测中的可行性，得出Davidon最小二乘学习算法训练的NN比BP算法收敛速度快、收敛误差相差不多，验证了复杂自相似业务流的可预测性，为复杂自相似网络业务流预测的研究提供了一种有效途径。     

一种准确预测船舶交通流的自适应遗传算法优化的BP神经网络模型研究

为了实现船舶交通流量的精确预测,对某大桥在2010年始~2016年终之间通过的船舶数量进行实测,并将实测数据作为时间序列,对其进行NP单根检验,得到的该时间序列具有非平稳性,进而建立EEMD-IAGA-BP神经网络预测模型,将实测船舶交通流量分解,得到多个平稳的分解信号,采用EEMD模型对其进行优化计算,研究结果表明:EEMD-IAGA-BP神经网络预测模型精度高于传统IAGA-BP模型,能够较为精确的预测船舶交通流量。     

基于认知无线网络的移动终端业务流的分析方法

针对认知移动终端业务流在多网络层具有不同复杂性的特点,提出了一种基于多时空尺度的业务特性分析方法。该方法首先建立多空间尺度业务模型,然后利用多尺度熵方法对终端业务流信息进行特征提取,对比分析不同时空尺度上网络行为的结构复杂度,探索其随时空尺度的变化规律,从而预测下一时段的业务量。实验数据分析的结果表明,该方法能够有效的实现业务流的在线监测。     

基于神经网络的红绿灯识别研究

交通灯的识别对人工智能以及无人驾驶都有着举足轻重的作用,本文研究交通识别中的红绿灯判断,用于改善驾驶员疲劳以及维护交通秩序从而提高驾驶安全系数减少交通事故的发生.通过机器视觉采集红绿灯交通信号图,运用Mat-lab进行图片处理截取红绿灯区域,提取每张图片的121个像素点RGB值,运用1和2分别表示绿灯和红灯,建立红绿灯...     

函数链神经网络的GA辅助训练方法

本文提出了将遗传算法(GA)和δ规则相结合，来调整一种无隐层的前向网络神经网络一函数链神经网络的参数及结构的方法，并将提出的算法用于2bit异或和曲面拟和问题，实验结果良好。     

改进的BP神经网络在交通流量预测中应用

针对传统BP学习算法收敛速度慢,对步长依赖明显等缺点,提出一种利用搜索较优步长的BP算法.在网络训练中,能够在每次迭代中搜索出一个相对合理的步长,从而使步长的选择对学习速度的影响大大降低.对交通流量预测仿真结果表明,新算法对步长选择的依赖性小于传统BP算法.     

基于神经网络的异常检测

本文针对流量异常,提出了一种使用神经网络的检测方法。在仔细分析网络流量异常的基础上,提取流量特征数据,经预处理后供优化的BP神经网络分析,可准确检测出流量异常。测试结果表明,该模型对流量异常的检测有较高的准确性。