论文部分内容阅读
【摘要】针对网络流量在时序上的复杂非线性特征，采用径向基函数神经网络对网络流量时间序列进行预测。用自相关分析技术分析时间序列的延迟特性，建立了基于MATLAB6.5环境下径向基神经网络的网络流量预测模型，并用本校网络流量数据进行了验证。结果表明，该模型拟合精度和预测精度较高、计算速度较快。
【关键词】神经网络；网络流量；预测径向基算法；BP算法
随着网络的迅速发展，网络上承载的业务和应用日益丰富。加强网络管理、有效提高网络运行速度和利用率，网络流量预测是关键，也就是对网络出口的流量发展进行动态分析，并在定性基础上对流量进行定量的计算。有很多种因素可以影响网络流量，在实际发生的时间序列中，弱相依性、突变性和随机性等复杂非线性特征对网络流量预测都存在很大的影响，而且在以往的学者中针对于这些特点所构建的数学模型也不是很完善，还不够成熟。针对这些特点本文将在时间序列的预测中结合使用径向基神经网络的方法，在时间序列的延迟性中运用自相关分析技术进行合理分析，建立基于MATLAB6.5环境下的黑龙江信息技术职业学院网络出口流量预测的径向基神经网络数学模型，并对实际网络出口流量数据惊醒有效的验证。
1、建立径向基神经网络流量的预测模型
对于网络流量这样的非线性系统进行建模时，本文采用径向基神经网络技术，针对隐层节点的数量处选择合理的改进方法。经过实际操作的甄选后选择网络流量的均方误差的目标值为0.001，隐层节点数选择最大为23个。除此之外，为了保证径向基神经网络泛化能力的良好运行，并且保证径向基函数的输人输出范围足够大，就需要对输入的训练值进行postmnmx归一化处理。
从隐含层到输出层之间的权值是基于径向基神经网络函数来调整，并采用线性传递函数进行实现的，综合考虑，这样就不存在在局部会出现极小点的问题。对于这种基于径向基神经网络的局部函数，会有很快的网络学习速度，对于函数迫近时的收敛速度问题，能够很好地克服。
2、算例分析
对基于径向基神经网络函数是有一定的精度要求的，本文采用newrb函数进行设计，并满足函数的精度要求。函数格式为：net=newrb（a，b，m，n），采用基于径向基神经网络函数进行逼近原始函数时，newrb函数能够自动增加基于径向基神经网络的隐层神经元，直到均方误差满足为止。对于输入向量矩阵、目标向量矩阵、均方误差和径向基的分布分别使用式中变量a，b，m，n来表示。
在時间序列的预测上采用用sim函数进行预测。函数格式为：y= sim（net，x），对于待评价时间序列的输入向量和用基于径向基神经网络对时间序列进行计算的预测值分别使用式中的x，y进行表示。基于径向基神经网络的网络流量预测模型是在Matlab6.5环境下的，并对网络流量在时间序列上进行预测。
基于径向基神经网络采用1个输出单元和23个输人单元，并对基于径向基神经网络进行训练，自动调整网络训练程序的最终隐含层节点数，调整后的节点数为23个。最后比较网络流量预测模型所得的最后的网络输出和实际的网络流量数据，其结果如图1所示。
把表1中2013年10月28日实际发生的网络流量真实值作为训练的样本，在MATLAB6.5环境下的基于径向基神经网络模型对2013年10月28日我校网络流量进行预测，其预测的结果如表1所示，在MATLAB6.5环境下的网络训练的图形输出结果及预测结果如图1所示。
在表1中实际数据值和预测值可以看出，经过多次的历史预测，每次模型预测的绝对误差值均为0，可以总结为采用的训练样本的合格率均为100%，具有较好的拟合精度和预测精度。
在图1中我们可以看到，基于径向基神经网络模型通过训练对网络流量能够准确的预测，在泛化能力上也有很大的提高。经过后期计算，通过网络训练的均方误差为MSE=2.1731e-010，预测的均方误差为MSE=0.0012。从误差变化曲线能够表示出，训练到达第22步时，网络流量预测模型的精度要求基本满足。
3、结语
本文在对网络流量的短期预测问题上采用基于径向基神经网络函数，并针对网络流量的短期预测上构建了基于径向基神经网络的黑龙江信息技术职业学院网络流量预测模型，经过数据仿真，其结果表明采用基于径向基神经网络函数进行建模，其模型简洁实用，预测效果比较满意，说明该方法对于处理类似问题是比较有效的。本文并未对原始数据进行预处理，对原始数据进行处理，是提高预测精度的一个发展方向，当然还有许多预测方法和提高预测精度的技术值得今后进一步深入研究。
【关键词】神经网络；网络流量；预测径向基算法；BP算法
随着网络的迅速发展，网络上承载的业务和应用日益丰富。加强网络管理、有效提高网络运行速度和利用率，网络流量预测是关键，也就是对网络出口的流量发展进行动态分析，并在定性基础上对流量进行定量的计算。有很多种因素可以影响网络流量，在实际发生的时间序列中，弱相依性、突变性和随机性等复杂非线性特征对网络流量预测都存在很大的影响，而且在以往的学者中针对于这些特点所构建的数学模型也不是很完善，还不够成熟。针对这些特点本文将在时间序列的预测中结合使用径向基神经网络的方法，在时间序列的延迟性中运用自相关分析技术进行合理分析，建立基于MATLAB6.5环境下的黑龙江信息技术职业学院网络出口流量预测的径向基神经网络数学模型，并对实际网络出口流量数据惊醒有效的验证。
1、建立径向基神经网络流量的预测模型
对于网络流量这样的非线性系统进行建模时，本文采用径向基神经网络技术，针对隐层节点的数量处选择合理的改进方法。经过实际操作的甄选后选择网络流量的均方误差的目标值为0.001，隐层节点数选择最大为23个。除此之外，为了保证径向基神经网络泛化能力的良好运行，并且保证径向基函数的输人输出范围足够大，就需要对输入的训练值进行postmnmx归一化处理。
从隐含层到输出层之间的权值是基于径向基神经网络函数来调整，并采用线性传递函数进行实现的，综合考虑，这样就不存在在局部会出现极小点的问题。对于这种基于径向基神经网络的局部函数，会有很快的网络学习速度，对于函数迫近时的收敛速度问题，能够很好地克服。
2、算例分析
对基于径向基神经网络函数是有一定的精度要求的，本文采用newrb函数进行设计，并满足函数的精度要求。函数格式为：net=newrb（a，b，m，n），采用基于径向基神经网络函数进行逼近原始函数时，newrb函数能够自动增加基于径向基神经网络的隐层神经元，直到均方误差满足为止。对于输入向量矩阵、目标向量矩阵、均方误差和径向基的分布分别使用式中变量a，b，m，n来表示。
在時间序列的预测上采用用sim函数进行预测。函数格式为：y= sim（net，x），对于待评价时间序列的输入向量和用基于径向基神经网络对时间序列进行计算的预测值分别使用式中的x，y进行表示。基于径向基神经网络的网络流量预测模型是在Matlab6.5环境下的，并对网络流量在时间序列上进行预测。
基于径向基神经网络采用1个输出单元和23个输人单元，并对基于径向基神经网络进行训练，自动调整网络训练程序的最终隐含层节点数，调整后的节点数为23个。最后比较网络流量预测模型所得的最后的网络输出和实际的网络流量数据，其结果如图1所示。
把表1中2013年10月28日实际发生的网络流量真实值作为训练的样本，在MATLAB6.5环境下的基于径向基神经网络模型对2013年10月28日我校网络流量进行预测，其预测的结果如表1所示，在MATLAB6.5环境下的网络训练的图形输出结果及预测结果如图1所示。
在表1中实际数据值和预测值可以看出，经过多次的历史预测，每次模型预测的绝对误差值均为0，可以总结为采用的训练样本的合格率均为100%，具有较好的拟合精度和预测精度。
在图1中我们可以看到，基于径向基神经网络模型通过训练对网络流量能够准确的预测，在泛化能力上也有很大的提高。经过后期计算，通过网络训练的均方误差为MSE=2.1731e-010，预测的均方误差为MSE=0.0012。从误差变化曲线能够表示出，训练到达第22步时，网络流量预测模型的精度要求基本满足。
3、结语
本文在对网络流量的短期预测问题上采用基于径向基神经网络函数，并针对网络流量的短期预测上构建了基于径向基神经网络的黑龙江信息技术职业学院网络流量预测模型，经过数据仿真，其结果表明采用基于径向基神经网络函数进行建模，其模型简洁实用，预测效果比较满意，说明该方法对于处理类似问题是比较有效的。本文并未对原始数据进行预处理，对原始数据进行处理，是提高预测精度的一个发展方向，当然还有许多预测方法和提高预测精度的技术值得今后进一步深入研究。