基于小波神经网络的实际业务流预测方法

针对无线传感器网络传输过程中容易受到噪音干扰的问题,提出了一种新的业务流预测算法AWNNP(Ant colony-based Wavelet Neural Network Prediction).该算法首先利用小波变换对业务流进行分解,并将其小波系数和尺度系数作为样本数据.其次,结合蚁群算法和神经网络来训练样本数据,采用小波模型重构进行重构,以此获得业务流的预测数据.同时,通过仿真实验对比,并分析了小波神经网络预测算法和BP神经网络预测算法,实验结果表明,AWNNP算法性能较优,其误差为16.21%.     

一种基于BP神经网络和小波变换的网络流量预测模型

结合小波变换和BP神经网络,建立一种网络流量预测模型.首先对流量时间序列进行小波分解,得到多个尺度的小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

自相似流量的小波神经网络预测模型研究

随着计算机网络体系规模的不断扩大,降低网络性能的影响因素也日益增多。由于网络流量的突发性会增加对网络性能的影响,该文针对网络流量的自相似特性和可预测性,提出了一种自相似流量的小波神经网络预测模型。此模型通过对已知的网络流量数据进行训练,得到预测流量,完成对自相似流量的可预测性的验证,最后对预测模型的性能做出评价。与传统的线性模型相比,自相似流量的小波神经网络模型在仿真过程中表现出预测的精确程度高、逼近最优值的速度快的优点。     

最小二乘支持向量机的短期负荷多尺度预测模型

提出了一种改进的电力负荷短期预测小波网络模型，该模型采用最小二乘支持向量机(LS-SVM)实现了小波分解系数的多尺度组合预测．首先使用多孔算法对短期负荷序列进行小波分解，得到指定尺度下的近似系数和相关尺度下的小波系数，然后利用LS-SVM对预测点的系数进行多尺度组合预测，通过小波重构可以求得相应的预测值．结合某地区短期负荷需求数据进行了仿真试验，研究了预测点与历史记录数据的相关关系．预测结果表明，使用本模型进行短期负荷预测同比传统小波神经网络方法可以获得更好的预测精度，同时LS-SVM的引入大大提高了模型的可计算性．     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点.本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算.预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络.     

基于小波神经网络的空气污染指数预报

针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的小波神经网络预报模型。利用小波对原始的空气污染指数序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,使用该模型对兰州地区的空气污染指数进行了预测。仿真结果表明,与传统的BP神经网络相比,该模型具有更高的预测精度、更快的收敛...     

基于天气类型及改进的小波神经网络的光伏发电短期预测

本文提出了一种基于天气类型和季节类型,以布谷鸟算法优化小波神经网络的光伏发电短期预测方法.首先,分析气象因子的特征,并利用皮尔逊相关系数计算气象因子与光伏发电之间的相关性,作为预测神经网络的输入向量;其次,为了避免小波网络的结构不稳定以及由于局部极小值容易陷入预测结果误差太大的问题,提出了利用布谷鸟算法优化小波神经网络...     

一种健壮的视频分流分存方法

在网络视频监控系统中,为了有效保存来自多选-视频开关的混合视频流信号,需要采用视频分流技术. 为此设计了一种改进的视频分流算法,提出关键帧定位和同步查找恢复机制. 在自行研制的网络视频监控系统中,采用该算法,将混合视频流分成独立视频流,并分别储存成对应录像文件. 实验表明,改进的算法可以高效地完成视频分流,且具有较好的健壮性.     

基于流量预测的Ad Hoc网络负载均衡协议

针对AdHoc网络中的负载均衡问题,提出了一种基于小波神经网络方法预测节点流量的路由协议WNNP-LBRP,协议中的流量值以MAC层接口队列长度来衡量.该协议利用小波神经网络预测模型计算节点下一时刻的流量值及动态阈值,并对二者进行比较,避免将重负载节点作为中间节点而导致网络拥塞,从而在网络出现拥塞之前提前更新路径,实现网络负载的平均分配.仿真结果表明,WNNP-LBRP协议与LBR-AODV协议和AODV协议相比,网络性能得到提高:减少了丢包现象,降低了端到端时延和路由开销.     

基于交通数据融合技术的行程时间预测模型

针对当前城市道路行程时间的预测多限于单源数据且预测精度不高的问题,构建了基于浮动车GPS数据、微波检测器交通数据的行程时间预测融合模型.利用遗传算法优化小波神经网络,解决了小波神经网络初始参数选取时盲目与随机性问题,大大提高了网络搜索效率与训练速度.预测行程时间与视频观测数据吻合良好,表明该模型是有效的和可靠的.