戴昌昊,曾貴明,梁 君,張德智

(中國運(yùn)載火箭技術(shù)研究院 研究發(fā)展中心，北京 100076)

基于業(yè)務(wù)流量預(yù)測(cè)的AOS自適應(yīng)幀生成算法

戴昌昊,曾貴明,梁 君,張德智

(中國運(yùn)載火箭技術(shù)研究院 研究發(fā)展中心，北京 100076)

隨著研究的深入，復(fù)雜空間系統(tǒng)業(yè)務(wù)數(shù)據(jù)流的自相似性逐漸被認(rèn)識(shí)，傳統(tǒng)的等時(shí)幀生成算法及高效率生成算法越來越難以適應(yīng)空間系統(tǒng)業(yè)務(wù)流量的高突發(fā)性和高復(fù)雜性；基于此，提出了一種基于小波神經(jīng)網(wǎng)絡(luò)業(yè)務(wù)流量預(yù)測(cè)的自適應(yīng)幀生成算法，在滿足一定延時(shí)約束條件下，根據(jù)業(yè)務(wù)流量預(yù)測(cè)結(jié)果，自適應(yīng)調(diào)整成幀時(shí)刻；幀復(fù)用效率相比等時(shí)幀生成算法有顯著優(yōu)勢(shì)，同時(shí)還避免了高效率幀生成算法中存在的幀延時(shí)過長(zhǎng)的問題。

高級(jí)在軌系統(tǒng)；小波神經(jīng)網(wǎng)絡(luò)；包流量預(yù)測(cè)；自適應(yīng)幀生成

0 引言

隨著我國航天技術(shù)的飛速發(fā)展，在軌航天器越來越復(fù)雜，各分系統(tǒng)需要下傳的遙測(cè)參數(shù)和業(yè)務(wù)數(shù)據(jù)越來越多，空間數(shù)據(jù)管理分系統(tǒng)上承載的業(yè)務(wù)流量飛速增長(zhǎng)；同時(shí)，航天器執(zhí)行的空間任務(wù)也越來越復(fù)雜，與之相關(guān)的業(yè)務(wù)數(shù)據(jù)流表現(xiàn)出高度的復(fù)雜性，具體表現(xiàn)為高度的突發(fā)性和自相似性[1]。

目前世界各國航天器的空間數(shù)據(jù)管理系統(tǒng)設(shè)計(jì)大都遵循CCSDS(consultative committee for space data system)標(biāo)準(zhǔn)體系。業(yè)務(wù)數(shù)據(jù)的下行傳輸多采用AOS協(xié)議標(biāo)準(zhǔn)(advanced orbiting systems AOS),該協(xié)議采用兩級(jí)信道復(fù)用機(jī)制，即在包多路復(fù)用的層面實(shí)現(xiàn)了分系統(tǒng)內(nèi)部多源數(shù)據(jù)流的聚合，在虛擬信道復(fù)用的層面實(shí)現(xiàn)了各分系統(tǒng)數(shù)據(jù)流的二次聚合，從而滿足了航天器上各類數(shù)據(jù)的下行傳輸需求。以包多路復(fù)接器和虛擬信道復(fù)接器為匯聚節(jié)點(diǎn)，AOS協(xié)議采用樹狀網(wǎng)絡(luò)結(jié)構(gòu)對(duì)下行數(shù)據(jù)流進(jìn)行組織。對(duì)于AOS業(yè)務(wù)數(shù)據(jù)流量模型的分析可以借鑒地面具有類似拓?fù)浣Y(jié)構(gòu)的計(jì)算機(jī)網(wǎng)絡(luò)中的數(shù)據(jù)流模型。文獻(xiàn)[2]發(fā)現(xiàn)了貝爾通信研究中心的地面局域網(wǎng)中網(wǎng)絡(luò)流量具有自相似性。我們可以推斷AOS業(yè)務(wù)流也具有類似性質(zhì)。實(shí)際上，文獻(xiàn)[3]的仿真結(jié)果表明低軌衛(wèi)星網(wǎng)絡(luò)業(yè)務(wù)流量的確具有自相似性。

由于AOS業(yè)務(wù)數(shù)據(jù)流實(shí)際表現(xiàn)出的高度復(fù)雜性，傳統(tǒng)AOS系統(tǒng)中的等時(shí)、高效率成幀算法已難以滿足航天器上各類數(shù)據(jù)的下行傳輸需求，其性能隨著業(yè)務(wù)流量的突發(fā)性、復(fù)雜性增大而大幅下降。本文針對(duì)AOS自相似業(yè)務(wù)流量突發(fā)性引起虛擬信道調(diào)度性能下降問題，在分析現(xiàn)有方法的基礎(chǔ)上，結(jié)合小波神經(jīng)網(wǎng)絡(luò)對(duì)業(yè)務(wù)數(shù)據(jù)流量的預(yù)測(cè)結(jié)果，提出了基于業(yè)務(wù)數(shù)據(jù)流量預(yù)測(cè)的自適應(yīng)幀生成算法。仿真結(jié)果表明，自適應(yīng)算法在幀復(fù)用效率、及平均延遲總體性能上明顯優(yōu)于傳統(tǒng)的幀生成算法。

1 AOS虛擬信道調(diào)度

CCSDS協(xié)議體系定義的通信系統(tǒng)采用分層結(jié)構(gòu)，自上至下分別為應(yīng)用層、傳輸層、網(wǎng)絡(luò)層、數(shù)據(jù)鏈路層和物理層。其中AOS協(xié)議位于數(shù)據(jù)鏈路層，鏈路層利用包信道復(fù)用及虛擬信道復(fù)用的方法支持多信源多用戶信息高效地共用同一個(gè)物理信道[4-5]。

其中的包信道復(fù)用模塊，對(duì)共用同一虛擬信道的多種數(shù)據(jù)包進(jìn)行調(diào)度并分段裝入固定長(zhǎng)度的復(fù)用協(xié)議數(shù)據(jù)單元(multiplexing protocol data unit，MPDU)的數(shù)據(jù)區(qū)中，然后依次加MPDU主導(dǎo)頭、幀主導(dǎo)頭、幀尾，從而生成一幀。目前,在包信道復(fù)用模塊中有兩種常用的幀生成算法:即等時(shí)幀生成算法和高效率幀生成算法。在等時(shí)幀生成算法中，在固定間隔的時(shí)間點(diǎn)上將緩存中的數(shù)據(jù)包裝入一幀的數(shù)據(jù)區(qū)，并發(fā)送;在高效率幀生成算法中，當(dāng)?shù)竭_(dá)緩存的數(shù)據(jù)包長(zhǎng)度可以填滿MPDU數(shù)據(jù)區(qū)時(shí)，才將這些數(shù)據(jù)包放入一幀的數(shù)據(jù)區(qū)，并發(fā)送。

2 基于業(yè)務(wù)流量預(yù)測(cè)的自適應(yīng)幀生成算法

評(píng)價(jià)幀生成算法的性能主要有兩個(gè)指標(biāo)：組幀延時(shí)和MPDU復(fù)用效率(MPDU復(fù)用效率是指在一個(gè)封裝好的MPDU中，數(shù)據(jù)包的總長(zhǎng)度與MPDU數(shù)據(jù)區(qū)長(zhǎng)度之比)。等時(shí)幀生成算法可以保證組幀延時(shí)可控，但是存在復(fù)用效率均值較低的問題。高效率幀生成算法的復(fù)用效率為1，但是可能會(huì)出現(xiàn)由于較長(zhǎng)時(shí)間內(nèi)沒有足夠多的數(shù)據(jù)包到達(dá)，而使得組幀延時(shí)過長(zhǎng)超過業(yè)務(wù)所允許的最大時(shí)延情況。

本文提出了基于業(yè)務(wù)流量預(yù)測(cè)的自適應(yīng)成幀算法，如圖1所示，通過小波神經(jīng)網(wǎng)絡(luò)對(duì)業(yè)務(wù)流量進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果，調(diào)整MPDU組幀時(shí)刻，從而達(dá)到在給定約束條件下的最優(yōu)性能。并根據(jù)每次預(yù)測(cè)實(shí)際誤差結(jié)果，修正網(wǎng)絡(luò)參數(shù)，逐漸逼近最優(yōu)預(yù)測(cè)。

圖1 算法流程圖

2.1 小波神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

2.1.1 拓?fù)浣Y(jié)構(gòu)

小波神經(jīng)網(wǎng)絡(luò)(WNN)是小波分析原理與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的產(chǎn)物。利用小波基作為神經(jīng)元節(jié)點(diǎn)，它綜合了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力以及小波變換理論在時(shí)域上的局域化性質(zhì)，因此具有小波的分類特征和小波分解的性質(zhì)，并且由于其引入了平移參數(shù)以及伸縮參數(shù)，使其對(duì)時(shí)間序列的預(yù)測(cè)能力以及容錯(cuò)性能相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)有了較大提高。小波神經(jīng)網(wǎng)絡(luò)由于融合了小波函數(shù)，因此其可以克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的缺陷[6]，可以顯著提高網(wǎng)絡(luò)對(duì)非平穩(wěn)信號(hào)的預(yù)測(cè)能力。小波神經(jīng)網(wǎng)絡(luò)的典型拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 小波神經(jīng)網(wǎng)絡(luò)

圖中，X1，X2….Xk為小波神經(jīng)網(wǎng)絡(luò)的輸入，在本文中即返向遞推K個(gè)時(shí)間段內(nèi)到達(dá)的數(shù)據(jù)包，由文獻(xiàn)[3]可知AOS數(shù)據(jù)包流量呈現(xiàn)出一定長(zhǎng)相關(guān)特性，因此為了準(zhǔn)確預(yù)測(cè)數(shù)據(jù)包流量，在計(jì)算能力范圍內(nèi)，輸入節(jié)點(diǎn)數(shù)應(yīng)盡可能多；Y1…Yk為網(wǎng)絡(luò)的預(yù)測(cè)輸出，在本文中即下一調(diào)度周期內(nèi)的預(yù)測(cè)數(shù)據(jù)包流量結(jié)果，因此輸出節(jié)點(diǎn)數(shù)為1；輸入序列信號(hào)為xi(i=1,2,…k)時(shí)，隱含層輸出為：

S(j)是隱含層第j個(gè)節(jié)點(diǎn)的輸出函數(shù)，f(j)是隱含層第j個(gè)節(jié)點(diǎn)的小波基函數(shù)，wij為輸入層到隱含層的連接權(quán)值，wjk為隱含層到輸出層的連接權(quán)值；bj為小波基函數(shù)的平移因子；aj為小波基函數(shù)的伸縮因子。

2.1.2 小波基函數(shù)選擇

目前普遍應(yīng)用的小波基有Harr小波、Morlet小波、Meyer小波、Gausse小波等[6]。由于Morlet小波基具有較好的計(jì)算穩(wěn)定性和較強(qiáng)的抗干擾能力，因此被廣泛應(yīng)用于時(shí)間序列預(yù)測(cè)領(lǐng)域。本文也選取此小波基函數(shù)作為小波神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)的傳遞函數(shù)。Morlet小波基函數(shù)的數(shù)學(xué)表達(dá)式為：

2.1.3 網(wǎng)絡(luò)參數(shù)優(yōu)化迭代算法

梯度下降法是傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)在參數(shù)優(yōu)化階段常采用的算法,但是此算法的梯度變化方向固定，參數(shù)的優(yōu)化方向被限制,很難適應(yīng)數(shù)據(jù)包流量隨機(jī)的特點(diǎn),并且由于優(yōu)化方向單一，易取到局部最優(yōu)解、引起振蕩效應(yīng)[7],遺傳算法是基于自然選擇和基因遺傳學(xué)的隨機(jī)優(yōu)化搜索方法,此算法的宏觀搜索能力較強(qiáng),在實(shí)際應(yīng)用中，找到全局最優(yōu)解的概率較大,更符合包數(shù)據(jù)流高度復(fù)雜性、隨機(jī)性的實(shí)際情況,用它來完成WNN的網(wǎng)絡(luò)參數(shù)初期優(yōu)化能較好的克服梯度下降法的缺點(diǎn),達(dá)到更高的預(yù)測(cè)精度要求，并能提高系統(tǒng)的穩(wěn)定性。

基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)模型的參數(shù)優(yōu)化分為兩次：

1)一次訓(xùn)練

首先確定小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),然后用遺傳算法對(duì)網(wǎng)絡(luò)各參數(shù)進(jìn)行優(yōu)化,優(yōu)化步驟如下:

(1)將wij、wjk、aj、bj進(jìn)行實(shí)數(shù)編碼并初始化.然后將交叉規(guī)模,交叉概率,突變概率,初始種群數(shù),遺傳代數(shù)等參數(shù)初始化；

(2)個(gè)體n的適應(yīng)度函數(shù)f(n)為：

f(n)=1/error

其中:error為預(yù)測(cè)誤差。計(jì)算每一個(gè)體的適應(yīng)值并升序排列;以“輪盤賭”法選擇網(wǎng)絡(luò)個(gè)體；

(3)以交叉概率Pc交叉產(chǎn)生新個(gè)體；

(4)以概率Pm均勻變異產(chǎn)生新的個(gè)體；

(5)將新個(gè)體加入到原來的種群中,并更新所有適應(yīng)值；

(6)若適應(yīng)值達(dá)到預(yù)設(shè)門限值則結(jié)束,否則轉(zhuǎn)回(3);

(7)將最優(yōu)個(gè)體作為優(yōu)化后的WNN的aj和bj。

2)二次訓(xùn)練

在用遺傳算法對(duì)小波神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和伸縮、平移尺度參數(shù)進(jìn)行優(yōu)化后,將通過一次優(yōu)化后的參數(shù)再用梯度下降法進(jìn)行第二次優(yōu)化,將兩次優(yōu)化后得到的參數(shù)作為神經(jīng)網(wǎng)絡(luò)的優(yōu)化后參數(shù)，利用此神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)包流量進(jìn)行預(yù)測(cè)。梯度下降法是神經(jīng)網(wǎng)絡(luò)中較為經(jīng)典算法，此處不再贅述，算法詳細(xì)步驟見文獻(xiàn)[8]。

2.2 MPDU組幀算法

組幀算法的基本思想簡(jiǎn)述如下:預(yù)測(cè)時(shí)間長(zhǎng)度周期為T,設(shè)定可接受最大包延時(shí)tdelay=N·T,幀復(fù)用效率優(yōu)化下限為ηmin。在滿足包延時(shí)要求的前提下，盡量提高幀復(fù)用效率。

1)記錄前K個(gè)時(shí)刻包到達(dá)數(shù)量X-(k-1),......,X-2,X-1,X0，輸入小波神經(jīng)網(wǎng)絡(luò)輸入端，經(jīng)過迭代優(yōu)化，得到下一時(shí)刻數(shù)據(jù)包流量的預(yù)測(cè)值Y；

3)判斷下一時(shí)刻是否達(dá)到延時(shí)上限，若未達(dá)到，則繼續(xù)等待，并進(jìn)入步驟1)；若達(dá)到上限進(jìn)入步驟4);

3 仿真結(jié)果

文獻(xiàn)[3]指出，AOS數(shù)據(jù)包流呈現(xiàn)出自相關(guān)特性，自相似數(shù)據(jù)源的模擬有多種方法[9]，本文采取分形布朗運(yùn)動(dòng)模型模擬數(shù)據(jù)源。

仿真參數(shù)設(shè)置如下：

1)模擬數(shù)據(jù)源的自相似參數(shù)H=0.6；

2)包長(zhǎng)度lp=128 bit，MPDU包區(qū)長(zhǎng)度為lmp=12000*lp;

3)小波神經(jīng)網(wǎng)路的輸入節(jié)點(diǎn)數(shù)N=10,隱含層的節(jié)點(diǎn)數(shù)n=30,輸出節(jié)點(diǎn)數(shù)為M=1，迭代誤差限為10-2，最大迭代次數(shù)為200次；

4)一次訓(xùn)練采用遺傳算法，二次訓(xùn)練采用梯度下降算法。

3.1 數(shù)據(jù)包流量預(yù)測(cè)仿真

采用分形布朗運(yùn)動(dòng)模型模擬生成的數(shù)據(jù)源如圖3所示，取前500個(gè)數(shù)據(jù)點(diǎn)作為源包數(shù)據(jù)。第1～100個(gè)數(shù)據(jù)作為輸入層節(jié)點(diǎn)1的輸入訓(xùn)練數(shù)據(jù)，第2～101個(gè)數(shù)據(jù)作為輸入層節(jié)點(diǎn)2的輸入訓(xùn)練數(shù)據(jù)，以此類推至第10～109個(gè)數(shù)據(jù)作為輸入層第10個(gè)節(jié)點(diǎn)的輸入訓(xùn)練數(shù)據(jù)，來預(yù)測(cè)第11～110個(gè)時(shí)間點(diǎn)的數(shù)據(jù)，數(shù)據(jù)源的第11～110個(gè)數(shù)據(jù)作為實(shí)際結(jié)果與預(yù)測(cè)值比對(duì)，迭代優(yōu)化網(wǎng)絡(luò)參數(shù)，當(dāng)完成這100組數(shù)據(jù)的訓(xùn)練后，固定網(wǎng)絡(luò)參數(shù)。接著進(jìn)行流量預(yù)測(cè)，取數(shù)據(jù)源的第300～399個(gè)數(shù)據(jù)作為輸入層第1個(gè)節(jié)點(diǎn)的輸入，第301～400個(gè)數(shù)據(jù)作為輸入層第2個(gè)節(jié)點(diǎn)的輸入，以此類推至第309～408個(gè)數(shù)據(jù)作為輸入層第10個(gè)節(jié)點(diǎn)的輸入。數(shù)據(jù)源第310～409個(gè)數(shù)據(jù)作為實(shí)際包流量數(shù)據(jù)。圖4為經(jīng)過訓(xùn)練后的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與實(shí)際包流量的對(duì)比，從圖中可以看出小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)性能較好，絕大部分時(shí)刻的包流量預(yù)測(cè)誤差都在15%以內(nèi)，最大誤差不超過25%。

圖3 數(shù)據(jù)包流量

圖4 數(shù)據(jù)包流量預(yù)測(cè)

3.2 組幀算法仿真

對(duì)于組幀算法的評(píng)價(jià)指標(biāo)主要有幀復(fù)用效率η及幀生成延時(shí)tdelay。目前常用的組幀算法有等時(shí)生成算法和高效率生成算法。本文的算法在滿足給定最大時(shí)延約束條件下，基于對(duì)下一時(shí)刻數(shù)據(jù)包流量的預(yù)測(cè)，達(dá)到盡可能大的幀復(fù)用效率。通過仿真驗(yàn)證本文提出的算法在幀復(fù)用效率和生成延時(shí)等方面比傳統(tǒng)生成算法有較大改善。

圖6為自適應(yīng)幀生成算法和等時(shí)幀生成算法幀復(fù)用效率的對(duì)比，自適應(yīng)幀生成算法中最大允許延時(shí)設(shè)置為4T，最小幀復(fù)用效率設(shè)置為80%。從圖中可以看出等時(shí)幀生成算法的幀復(fù)用效率在40%～65%之間。自適應(yīng)幀生成算法的幀復(fù)用效率在80%～100%之間，圖中幀復(fù)用效率為0的時(shí)刻表示當(dāng)前時(shí)刻不生成幀。前100個(gè)時(shí)刻等時(shí)幀生成算法的總復(fù)用效率為50.12%(發(fā)送的有效數(shù)據(jù)包總長(zhǎng)/總幀長(zhǎng))，自適應(yīng)幀生成算法的總復(fù)用效率為98.28%。圖4表明在滿足一定延時(shí)約束條件下，自適應(yīng)幀生成算法的幀復(fù)用效率明顯優(yōu)于等時(shí)幀生成算法。

圖6 幀復(fù)用效率對(duì)比

圖7為自適應(yīng)幀生成算法和高效率幀生成算法幀生成延時(shí)的對(duì)比，圖中淺色三角代表自適應(yīng)算法的幀復(fù)用效率，淺色框代表自適應(yīng)幀生成算法的幀生成時(shí)刻，深色框代表高效率幀生成算法的幀生成時(shí)刻。從圖中可以看出自適應(yīng)幀生成算法的最大生成時(shí)延為4T，幀復(fù)用效率大部分在80%～90%之間，最小效率不低于58%；高效率幀生成算法的最大生成時(shí)延為7T，

圖7 幀生成時(shí)刻對(duì)比

自適應(yīng)幀生成算法可有效解決高效率幀生成算法幀生成延時(shí)超時(shí)的問題。

5 總結(jié)

本文在分析空間數(shù)據(jù)系統(tǒng)的基礎(chǔ)上，對(duì)常用幀生成算法進(jìn)行了改進(jìn)，設(shè)計(jì)了一種基于小波神經(jīng)網(wǎng)絡(luò)AOS業(yè)務(wù)流量預(yù)測(cè)的自適應(yīng)幀生成算法，該算法兼顧了幀復(fù)用效率及幀生成延時(shí)要求，比等時(shí)生成算法有更高的復(fù)用效率，且對(duì)突發(fā)數(shù)據(jù)流有更強(qiáng)的適應(yīng)性；與高效率幀生成算法相比，具有更低且可控的延時(shí)，保證了信道的合理利用。本文的自適應(yīng)幀生成算法比傳統(tǒng)幀生成算法具有更好靈活性，對(duì)具有高突發(fā)性、高復(fù)雜性的自相似性業(yè)務(wù)流具有較好的適應(yīng)性。

[1]NaZY,GaoZH,GaoQ.Performanceanalysisofself-similartrafficinLEOsatellitenetwork[A].Proc.ofthe6thInternationalConferenceonMachineLearningandCybernetics[C].2007:19-22.

[2]LelandWE,TaqquMS,BellcoreWW.Ontheself-similarnatureofEthernettraffic[J].IEEE/ACMTransactiononNetworking, 1994, 2(1): 1-15.

[3] 那振宇.衛(wèi)星互聯(lián)網(wǎng)服務(wù)質(zhì)量保障方法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2010：38-45.

[4]ConsultativeCommitteeforSpaceDataSystem.AOSSpaceDataLinkProtocol[S].Washington,DC,USA:CCSDSPress, 2015.

[5]ConsultativeCommitteeforSpaceDataSystem.OverviewofSpacecommunicationsProtocols[S].Washington,DC,USA:CCSDSPress, 2014.

[6] 丁 勇,劉守生,胡壽松.一種廣義小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其優(yōu)化方法[J].控制理論與應(yīng)用,2003,20(1):125-128.

[7] 李 凡.用小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)高速公路軟土地基最終沉降量[J].合肥工業(yè)大學(xué)學(xué)報(bào)，2001,24(6):1124-1127.

[8]LIST,CHENSC.Functionapproximationusingrobustwaveletneuralnetworks[A].Procofthe14thIEEEInternationalConferenceonToolswithArtificialIntelligent[C].Taiwan(China):IEEEPress, 2002. 483-488.

[9] 閆紀(jì)如.粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)在交通流預(yù)測(cè)中的應(yīng)用[D].杭州：浙江工業(yè)大學(xué)，2013.

AOS Adaptive Frame Generation Algorithm Based on traffic Prediction

Dai Changhao, Zeng Guiming, Liang Jun, Zhang Dezhi

(Research and Development Center ,China Academy of Launch Vehicle Technology,Beijing 100076,China)

With the in-depth study, the self-similarity of complex spatial data system is gradually recognized. Traditional time frame generation algorithm and efficient frame generation algorithm are more and more difficult to adapt to the high burst and high complexity of space traffic. This paper presents an adaptive frame generation algorithm based on wavelet neural network traffic prediction. Under the condition of certain delay constraint, the adaptive frame generation time can be adjusted according to the prediction results of traffic flow. Compared with the time frame generation algorithm, the frame multiplexing efficiency of this algorithm has a significant advantage, and it also avoids the problem of long frame delay.

AOS; wavelet neural network; packet traffic prediction;adaptive frame generation

2016-11-03；

2016-11-28。

戴昌昊(1992-)，男，陜西人，碩士研究生，主要從事測(cè)控通信系統(tǒng)專業(yè)方向的研究。

1671-4598(2017)04-0176-03

10.16526/j.cnki.11-4762/tp.2017.04.048

TP391

A