人工智能项目推介——89、一种基于认知网络的网络流量预测方法和装置

专利申请号:  

CN201010585259.9

专利类型:

发明

IPC 分类号:   

H04W16/22

应用领域:  

网络信息技术领域。

现有技术缺点:  

随着网络带宽的增加以及各种网络服务的出现，以往的流量预测模型已经难以满足对现有以及将来网络流量的精确描述及预测。

技术优势:

发明通过对输入信号 X(t)进行最小二乘法处理，输出预测样本数据Y(t)，对 Y(t)进行小波变换，分解为不同频率成分的分量，k 时刻小波变换系数序列{D1(k)，D2(k)，…DL(k)，AL(k)}，把分量{D1(k)， D2(k)，…DL(k)}作为 Elman 网络的输入，k+T 时刻的小波系数{D1(k+T)，D2(k+T)，…DL(k+T)}作为输出来训练网络，把分量{AL(k)}作为线性网络的输入，{AL(k+T)}来作为输出来训练网络，将训练好的小波各分量{DL(k+T)，D2(k+T)，…DL(k+T)，AL(k+T)}作为 BP 网络的输入，k+T 时刻的原始流量时间{f(k+T)}作为网络输出，训练网络，获取预测输出，针对以往的流量模型以及预测方法的利弊，引入 LMS 算法对输入样本进行预处理，再输入到接下来的小波神经网络预测模型(WNN)中，解决了现有模型的“过拟合”问题，为网络流量提供更为准确的模型和预测。

摘要:   

本发明提供了一种基于认知网络的网络流量预测方法和装置，通过对输入信号 X(t)进行最小二乘法处理，输出预测样本数据 Y(t)，对Y(t)进行小波变换，分解为不同频率成分的分量，k 时刻小波变换系数序列{D1(k)，D2(k)，…DL(k)，AL(k)}，把分量{D1(k)，D2(k)，… DL(k)}作为 Elman 网络的输入，k+T 时刻的小波系数{D1(k+T)， D2(k+T)，…DL(k+T)}作为输出来训练网络，把分量{AL(k)}作为线性网络的输入，{AL(k+T)}来作为输出来训练网络，将训练好的小波各分量{D1(k+T)，D2(k+T)，…DL(k+T)，AL(k+T)}作为 BP 网络的输入，k+T 时刻的原始流量时间{f(k+T)}作为网络输出，训练网络， 获取预测输出，针对以往的流量模型以及预测方法的利弊，引入 LMS 算法对输入样本进行预处理，再输入到接下来的小波神经网络预测模型(WNN)中，解决了现有模型的“过拟合”问题，为网络流量提供更为准确的模型和预测。

（以上资讯来源于网络，如有侵权，请联系管理员删除。）