传统网络中存在资源利用率低、业务延时明显和负载均衡效果差等问题,认知网络的出现为解决以上问题提供了可能。相比传统网络而言,认知网络具有学习推理和智能决策等特点,通过实时、动态地感知当前网络状况,进行网络智能规划、参数配置和流量调度,有效地提高网络资源利用率,并且提供更高的QoS业务。本文提出了认知网络中基于改进的组合神经网络流量预测模型WFLNN(Wavelet Fast Learning Neural Network)的负载均衡算法,重在解决网络负载不平衡问题,比如轻负载区域没有充分利用闲置资源,重负载区域发生拥堵而导致业务延时和丢包率增加等问题。首先,本文通过查阅文献深入研究了认知网络的概念及模型,同时对流量预测和负载均衡技术的研究现状进行了深入探讨。其次,本文介绍了目前常用的三种组合神经网络模型及其基本算法思路,并且选择以小波神经网络(Wavelet Neural Network,WNN)流量预测模型为基础对其进行改进。针对小波神经网络过拟合问题以及易陷入局部极小值和平点区域问题,设计了一种新的流量预测模型,即WFLNN模型。首先采用BP网络对数据样本进行去噪处理,将经过处理的数据样本实施小波变换,然后分别将小波变换得到的高频分量和低频分量作为RBF神经网络和Elman网络的输入进行训练,之后采用快速学习神经网络算法FLBP(Fast Learning Back Propagation)拟合数据。其中,FLBP算法是利用三种快速学习算法改进BP神经网络的新算法。它利用系统性的方法来检查学习过程中是否陷入局部极小值或者平点区域,然后跳过它们,从而始终保持寻找一个合适的方法来达到全局最优,进而提高预测的准确度。同时采用MATLAB对WFLNN模型和WNN模型进行比较,仿真结果表明WFLNN模型预测精度更高。最后,由于传统网络不能实时动态地感知当前的网络状态以及不能提前对服务器参数进行配置,导致网络出现延时明显等问题。因此,本文设计了一种认知网络中基于WFLNN预测模型的负载均衡算法。该算法采用认知网络的认知、推理和智能决策等机制,对网络当前状况进行感知,根据流量预测结果提前配置网络参数,并结合加权最小连接调度算法对网络流量进行调度,实现网络负载均衡。同时采用OPNET软件进行仿真,结果表明认知网络中基于WFLNN预测模型的负载均衡算法相比一般网络中未改进的算法具有更好的负载均衡效果。