基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量...     

基于组合模型的网络流量预测

为了更好地对网络流量进行分析和管理,提出一种基于小波变换、自回归滑动平均模型(ARMA)和极限学习机(ELM)的组合预测模型W-ARMA-ELM.原始数据通过小波分解产生近似序列和细节序列,通过对分解序列的自相关性和偏自相关分析,平稳序列使用ARMA预测,而非平稳序列使用ELM预测.使用兰州大学教育网、网通流量数据和英国学术主干网流量数据三组不同的网络流量数据来检验组合模型W-ARMAELM的预测性能.实验结果表明提出的组合方法要比单一的ARMA和ELM预测效果要好.同时指出使用自相关和偏自相关分析相结合的方法对分解后的子序列进行平稳性判定有助于选择合适的组合模型从而提高预测精度.     

基于小波变换的网络流量预测

由于现代的数据通信网络中网络流量存在很强的自相似性,如何降低这种自相似性给网络的性能造成的不利影响成为大家关注的焦点。本文通过实际的网络流量数据,利用小波变换和平稳时间序列的AR模型,实现了对网络流量很好的预测,其结果对于在网络中优化排队算法和实施流量工程具有很好的参考价值。     

基于小波变换与组合模型的网络流量预测算法

针对网络流量在以不同时间尺度分析时呈现不同特性给流量精确预测带来的困难,提出一种基于快速小波变换和季节差分自回归滑动平均组合模型的多分辨分析预测算法.采用小波方法对网络历史流量进行分解以分析不同时间尺度下的流量相关结构,根据不同时间尺度下的流量时间序列的周期性和自相似性,分别选择合适的模型建模用于预测.使用小波方法对各序列的预测值进行重构,得到原始流量的预测结果.仿真结果表明,所提预测方法比同类预测方法具有更高的精度.     

基于小波分析的网络流量随机模拟

为了快速生成具有自相似特性的模拟网络流量,应用小波变换将实际测量到的网络流量分解成不同尺度下的小波系数（细节信号）和尺度系数（背景信号）,并把这些系数分割成长度相等的很多个小段,然后从每个尺度下的细节信号中和背景信号中分别随机抽取一个小段进行叠加,多次重复该操作,就可以得到较长时间范围内的模拟网络流量,采用方差时间曲线图对模拟生成的网络流量的自相似特性进行了分析,结果表明：用该方法模拟的网络量具有较好的自相似性,而且简单,速度快。     

基于小波分析的网络流量问题研究

应用小波变换，精确地刻画网络流量的自相似特性，应用Mallat算法模拟网络流量在此基础上，分析了局域网和广域网的网络流量特性．     

基于小波包分析的线性回归拟合

针对线性回归分析模型中的数据易受到噪声的影响,提出了通过小波包分析对各个指标进行去噪处理,对处理后的数据用线性回归方法进行拟合.然后用1990—2010年度民用汽车保有量和国内生产总值(GDP)的数据进行实验,结果表明预先对数据进行小波包分析能够有效提高拟合的精度.     

基于小波包变换的自适应多用户检测

在分析传统自适应多用户检测的基础上，提出了一种基于小波包变换的自适应多用户检测算法．该算法用小波包变换进行前处理，然后再通过最小均方(LMS)算法实现自适应多用户检测．与通常的自适应多用户检测算法相比，该算法利用了小波包变换对小波空间进行分解，信号经小波包变换后自相关性会下降，收敛速度提高．同时在此分解过程中，根据信号与白噪声小波包变换完全不同的特性进行信号消噪．理论分析和仿真结果表明，该算法与传统LMS自适应多用户检测算法和基于小波变换的自适应多用户检测算法相比，算法收敛速度更快，且计算量较少，易于实时实现，还具有良好性能．同时仿真结果表明该算法收敛速度与小波基和分解级数的选择有关，分解级数越大，收敛速度越快；对于同一小波基系列，小波基正则性越好收敛速度越快。     

多元广义压缩最小二乘估计

引进了多元线性模型中回归系数β＝Ｖｅｃ（Ｂ）的广义压缩最小二乘估计β（Ａ），讨论了它的均方误差与均方残差的性质，指出了根据均方误差准则选取Ａ值的主要缺陷，采用了一种选取Ａ值的新准则Ｑ（Ｃ），它包含均方程差准则和最小二乘准则作为特例，并从理论上证明了Ｑ（Ｃ）准则的优良性。     

基于多分形的网络流量建模

本书既提供了基于泊松流的流量MM1模型，又提供了基于自相似过程的模型，特别强调了长距离相关在宽带流量建模中的重要性。书中运用多分形层叠过程理论，提出了一种新的宽带网流量模型（Variance Gaussian Multiplier）。此模型覆盖了各种乘积分布模型的变种。作者运用信息论原理来解释网络流量的突发现象，还用易失性参数验证宽带流量预测的复杂性。     

基于小波分解的统计模型对小时风速的预测

为提高小时风速的预测精度,提出了基于小波分解和AR模型的混合模型(WD-AR).模型应用小波分解技术将风速序列进行多层分解,再利用AR模型分别对各分解层的风速序列进行预测,最后将预测结果叠加得到预测值.采用河西地区风速观测数据对模型进行分析验证,结果表明:WD-AR模型预测精度指标R,RMSE和MAP E值分别是0.89,0.36和27%,与AR模型相比有了较大的改善,提高了小时风速的预测精度,说明WD-AR模型具有更好的预测能力.     

一种基于流量预测的启发式路由表更新算法

针对目前的路由表更新机制无法有效地控制和降低因路由表更新而导致的网络丢包量的问题,提出一种基于流量预测的启发式路由表更新算法。利用流量预测模型对IP路由器中各路由表项所对应的网络流量进行预测,并在此基础上通过启发式算法动态调整路由表项的更新顺序和更新-分发批处理的量程大小,以实现在路由表更新过程中产生最少的网络丢包量。仿真实验结果表明该算法有效地减少因路由表更新引起的网络丢包量。     

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%.     

基于小波包分析与BP神经网络的氧化铝熟料检测

利用小波包分析与BP(Back Propagation)神经网络相结合的算法,对氧化铝熟料检测的应用进行了研究.通过采集回转窑中氧化铝熟料下落碰撞窑壁产生的声音信号,利用小波包分析提取特征向量,根据氧化铝的烧结状况与声音信号特征向量的对应关系,提出建立BP神经网络模型.利用MATLAB对测试样本进行验证,结果表明BP神经网络模型在氧化铝熟料检测中具有可行性,而且具备一定的准确率.     

短时交通量时间序列的小波分析-模糊马尔柯夫预测方法

基于短时交通量时间序列的随机波动特征,提出一种小波分析和模糊马尔柯夫结合的预测方法．首先对交通量时间序列进行多分辨率小波分解,然后对低频部分和高频部分分别进行重构,对重构后的基本信号和干扰信号建立模糊马尔柯夫模型,最后对多个预测结果进行合成,从而得到交通量的预测结果．此外,根据灰色系统理论的新息优先原理,实时更新马尔柯夫预测模型中的状态转移矩阵,进一步提高预测精度．通过对苏州某交叉口短时交通量预测,表明小波分析和模糊马尔柯夫结合的预测方法具有良好的抗干扰能力和容错能力．     

基于小波多分辨分析的线性预测

提出了一种对非平稳时间序列预测的新方法.通过小波多分辨分析把某些非平稳间序列分解若干层近似意义上的平稳时间序列,然后再用自回归模型对每层的单支重构信号进行预测,最后综合每层的预测值可得到原时间序列的预测值.仿真实验表明了该方法的优越性.     

基于小波包分析的结构实时损伤报警数值研究

研究了基于小波包分析的结构实时损伤报警技术．利用小波分析优良的时一频局部化特性对结构振动信号进行精细分析，从而能实时地实现结构损伤报警．以简支梁裂缝为例，将环境振动信号采用小波包分解后得到小波包能量谱，采用基于Monte-Carlo方法计算得到的能量谱极值指数和变异指数2个指标作为筒支梁裂缝损伤报警的判据．该技术不需要对整体结构进行计算分析，只需要环境振动信号．计算机数值模拟表明该技术能较为敏感地发现简支梁的微小损伤，从而证实了该技术的可行性．     

一种基于混合模型WRC的流量预测方法

针对当前网络流量预测方法在刻画网络流量多重特性方面存在的准确性及噪声干扰的问题,提出了一种基于混合模型WRC的流量预测方法,该方法利用小波分解将网络流量混沌时间序列分解为流量特性不同的近似时间序列和细节时间序列,并利用RBF神经网络和混沌模型分别对这两种时间序列进行处理,得到预测时间序列后再进行小波重构,得到最终的预测值.仿真实验结果表明模型预测有效,且预测精度较高.     

基于小波包变换的一种降噪算法

白噪声的方差和幅值随着小波变换尺度的增加会逐渐减小 ,而信号的方差和幅值与小波变换的尺度变化无关。因此 ,文章提出一种以小波包能量为基础 ,以降低原始信号与降噪后信号之间的均方误差 (MSE)为目标的基于小波包的降噪算法 ,并与传统的 Donoho的硬阈值降噪算法作了比较。仿真结果表明 ,该算法可以有效去除白噪声干扰 ,并且明显优于传统的 Donoho的硬阈值降噪算法。