亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于支持向量機(jī)的網(wǎng)絡(luò)參數(shù)模型研究

        2015-06-15 22:20:29王啟明鄭均輝
        現(xiàn)代電子技術(shù) 2015年12期
        關(guān)鍵詞:灰色模型參數(shù)優(yōu)化支持向量機(jī)

        王啟明++鄭均輝

        摘 要: 使用模糊層次分析法對支持向量機(jī)的兩個參數(shù)進(jìn)行尋優(yōu),并用尋找到的最優(yōu)參數(shù)訓(xùn)練支持向量機(jī),建立網(wǎng)絡(luò)參數(shù)模型。首先使用模糊層次分析法對支持向量機(jī)兩個參數(shù)進(jìn)行尋優(yōu),然后用尋找到的最優(yōu)參數(shù)訓(xùn)練支持向量機(jī),最后建立預(yù)測模型,預(yù)測網(wǎng)絡(luò)流量。實驗結(jié)果表明,該方法不但可以較好地跟蹤網(wǎng)絡(luò)流量變化趨勢,使網(wǎng)絡(luò)流量的預(yù)測值與實際值非常接近,而且預(yù)測誤差變化范圍波動小,是一種有效且預(yù)測精度高的網(wǎng)絡(luò)參數(shù)模型。

        關(guān)鍵詞: 網(wǎng)絡(luò)參數(shù)模型; 支持向量機(jī); 灰色模型; 參數(shù)優(yōu)化

        中圖分類號: TN309?34; TN915.06 文獻(xiàn)標(biāo)識碼: A 文章編號: 1004?373X(2015)12?0023?02

        0 引 言

        網(wǎng)絡(luò)流量的預(yù)測與建模對于大規(guī)模網(wǎng)絡(luò)資源管理、規(guī)劃設(shè)計、用戶行為等方面具有重要意義。傳統(tǒng)網(wǎng)絡(luò)流量預(yù)測方法主要基于線性建模,預(yù)測誤差較大,很難準(zhǔn)確反映網(wǎng)絡(luò)流量復(fù)雜變化特點[1?2]。眾多實驗證明,網(wǎng)絡(luò)流量存在如下特點如非平穩(wěn)性、混沌性、時變性等,是一個具有高度的不確定性的復(fù)雜系統(tǒng),需要采用非線性混沌理論對網(wǎng)絡(luò)流量預(yù)測進(jìn)行建模。目前基于非線性理論的典型模型包括神經(jīng)網(wǎng)絡(luò)預(yù)測模型、小波預(yù)測模型、灰色模型、支持向量機(jī)(Support Vector Machine,SVM)預(yù)測模型等[3?4]。

        SVM是一種針對高維數(shù)、小樣本的機(jī)器學(xué)習(xí)方法,泛化性能優(yōu)異,被公認(rèn)為是較好的非線性預(yù)測方法。大量研究表明SVM預(yù)測效果優(yōu)于其他非線性模型,這主要得益于預(yù)測模型泛化能力強(qiáng),避免了“維數(shù)災(zāi)難”,并且能夠?qū)ふ业饺肿顑?yōu)解,因此得到了廣泛的應(yīng)用[5]。但是SVM預(yù)測性能與網(wǎng)絡(luò)流量的訓(xùn)練樣本關(guān)系密切,并且當(dāng)前確定訓(xùn)練樣本的輸出和輸入矩陣采取的方法主要是人為判斷,選取訓(xùn)練樣本缺乏理論指導(dǎo),容易產(chǎn)生過擬合現(xiàn)象[6]。

        當(dāng)前已有一些研究人員針對SVM預(yù)測模型的缺點進(jìn)行了改進(jìn)研究。研究主要包括對預(yù)測模型SVM參數(shù)選擇的優(yōu)化和對SVM預(yù)測模型自身的改進(jìn)兩個方面;其中SVM模型中參數(shù)的選擇對預(yù)測效果起著非常關(guān)鍵的作用[7]。目前SVM參數(shù)選擇主要采用智能優(yōu)化算法,例如遺傳算法(Genetic Algorithm,GA)、人工魚群算法(Artificial Fish Algorithm,AFA)、粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法。例如,王瑞雪研究了一種通過GAFA(全局人工魚群算法)優(yōu)化SVR模型的網(wǎng)絡(luò)流量預(yù)測方法,但是AFA優(yōu)化的SVR預(yù)網(wǎng)絡(luò)流量預(yù)測方法,結(jié)果不穩(wěn)定[8]。曾偉等研究了采用粒子群優(yōu)化算法優(yōu)化SVM預(yù)測模型,研究表明提高了SVM模型的預(yù)測精度,但預(yù)測的穩(wěn)定性依然不高,并且容易陷入局部極值[9]。Lu Wei Jia等采用遺傳算法優(yōu)化SVM預(yù)測模型,由于遺傳算法的固有缺點,效果也不盡理想[10]。針對當(dāng)前網(wǎng)絡(luò)流量非線性時變、混沌等特點,本文研究對SVM預(yù)測模型進(jìn)行改進(jìn),使用模糊層次分析法對SVM進(jìn)行參數(shù)尋優(yōu),并用尋找到的最優(yōu)參數(shù)訓(xùn)練SVM,建立預(yù)測模型。

        3 結(jié) 語

        本文對SVM預(yù)測模型進(jìn)行改進(jìn),使用模糊層次分析法對SVM的兩個參數(shù)進(jìn)行尋優(yōu),并用尋找到的最優(yōu)參數(shù)訓(xùn)練SVM,建立預(yù)測模型,預(yù)測網(wǎng)絡(luò)流量。實驗表明,該方法是一種預(yù)測精度高、有效的網(wǎng)絡(luò)流量預(yù)測方法。

        參考文獻(xiàn)

        [1] XU Shuo?na, ZENG Bi?qing. Network traffic prediction model based on auto?regressive moving average [J]. Journal of Networks, 2014, 9(3): 653?659.

        [2] QIU J, XIA J B, WU J X. Research and development of network traffic prediction model [J]. Computer Engineering and Design, 2012, 33(3): 865?869.

        [3] XIONG Nan, LIU Bai?feng. Online network traffic prediction Based on adaptive particle swarm optimization LSSVM [J]. Journal of computer applications and software, 2013, 30 (9) : 21?24.

        [4] FANG J, ZHOU Q, WU X, et al. Network traffic prediction model based on Catfish?PSO?SVM [J]. Journal of Networks, 2013, 8(11): 110?114.

        [5] JIALLG Jun, PAPAVASSILIOU Symeon. Enhancing network traffic prediction and anomaly detection via statistical network traffic separation and combination strategies [J]. Computer Communications, 2006, 29(10): 1627?1638.

        [6] CHANG Bao?bong, TSAI Hsiu Fen. Improving network traffic analysis by foreseeing data?packet?flow with hybrid fuzzy based model prediction [J]. Expert Systems with Applications 2009, 36(3): 6960?6965.

        [7] JIANG Ming, WU Chun?ming, HU Da?min. Comparative study on time series of network traffic prediction model [J]. Journal of Electronics, 2009, 5 (11) : 2353?2359.

        [8] WANG Rui?xue, LIU yuan. GAFSA network traffic prediction model to optimize the SVR study [J]. Computer Application Research, 2013, 30 (3) : 856?860.

        [9] ZENG Wei. Many children population PSO to optimize the SVM network traffic prediction [J]. Journal of Beijing Jiaotong University: Natural Science Edition, 2013, 37 (5) : 62?66.

        [10] LU, Wei?Jia. Parameters of network traffic prediction model jointly optimized by genetic algorithm [J]. Journal of Networks, 2014, 9(3): 695?702.

        [11] XU Bo, GUAN Qing, CHEN Ke. Multi?agent coalition formation based on quantum?behaved particle swarm optimization [J]. Journal of Information & Computational Science, 2010, 7(5): 1059?1064.

        [12] QIN H S, WEI Y, ZENG S H. Parameter optimization for SVM classification based on NGA [J]. Lecture Notes in Electrical Engineering, 2013, 216(1): 579?586.

        [13] WANG Shuang?ying WU Chao, ZUO Hong?yan. Small and medium?sized coal mine production safety fuzzy hierarchy evaluation model and its application [J]. Journal of Central South University (Natural Science Edition), 2010, 41(5): 111?116.

        猜你喜歡
        灰色模型參數(shù)優(yōu)化支持向量機(jī)
        基于改進(jìn)支持向量機(jī)的船舶縱搖預(yù)報模型
        中國水運(2016年11期)2017-01-04 12:26:47
        基于神經(jīng)網(wǎng)絡(luò)的動力電池組焊接參數(shù)優(yōu)化研究
        動態(tài)場景中的視覺目標(biāo)識別方法分析
        論提高裝備故障預(yù)測準(zhǔn)確度的方法途徑
        價值工程(2016年32期)2016-12-20 20:36:43
        三種電力負(fù)荷預(yù)測模型的比較
        研究LTE與WCDMA系統(tǒng)間小區(qū)互操作與參數(shù)優(yōu)化
        基于熵技術(shù)的公共事業(yè)費最優(yōu)組合預(yù)測
        價值工程(2016年29期)2016-11-14 00:13:35
        基于磁流變技術(shù)的汽車發(fā)動機(jī)隔振系統(tǒng)的參數(shù)優(yōu)化
        科技視界(2016年23期)2016-11-04 08:17:36
        基于支持向量機(jī)的金融數(shù)據(jù)分析研究
        上向進(jìn)路式尾砂膠結(jié)充填采礦法采場結(jié)構(gòu)參數(shù)優(yōu)化研究
        亚洲天码一区二区三区| 亚洲精品欧美二区三区中文字幕| 国产精品美女久久久久久久| 亚洲人成影院在线高清| 亚洲国产精品成人一区| 国产女同舌吻1区2区| 18岁日韩内射颜射午夜久久成人| 黑人巨大无码中文字幕无码| 國产AV天堂| 在线播放中文字幕一区二区三区 | 美女高潮无遮挡免费视频| 婷婷激情五月综合在线观看| 亚洲女同精品一区二区久久| 我和丰满妇女激情视频| 国产精品人妻一码二码| 美女自卫慰黄网站| 亚洲中文字幕不卡无码| 亚洲婷婷久久播66性av| 强开小婷嫩苞又嫩又紧视频韩国 | 99精品国产综合久久久久五月天| 国产精品一区二区三级| 在线观看国产精品一区二区不卡| 成人偷拍自拍视频在线观看| 真实国产精品vr专区| 97久久天天综合色天天综合色hd| 亚洲AVAv电影AV天堂18禁 | 中文字幕色偷偷人妻久久一区| 亚洲av无码乱码国产精品久久| 摸进她的内裤里疯狂揉她动视频 | 亚洲色丰满少妇高潮18p| 国产免费人成视频在线播放播| 日本岛国视频在线观看一区二区| 青青草免费在线爽视频| 波多野结衣的av一区二区三区| 1000部拍拍拍18勿入免费视频下载| 青青青伊人色综合久久| 亚洲一区二区日韩精品在线| 精品亚洲国产成人| 日本55丰满熟妇厨房伦| 亚洲国产综合性感三级自拍| 一本一道久久综合久久|