883 浏览基于神经网络的窄带通信网时延预测模型研究
摘要：随着通信网网络规模不断扩大,网络拓扑结构日益复杂,产生了专用通信网络传输时延变化与波动性增大的问题,本文通过研究通信网络时延预测算法模型,对专用窄带通信网网络传输时延进行预测,从而达到管理网络资源,减小网络拥塞,合理分配路由,降低传输时延的目的。神经网络预测模型在对网络时延数据这种随机时变的时间序列数据进行预测时,具有拟合性强,精确度高的优点。本文针对基于神经网络的网络时延预测模型进行了深入研究,主要内容如下:首先对传统的ARIMA、BP神经网络、GA-BP神经网络预测算法进行研究,仿真预测此窄带通信网的网络时延数据。其次针对专用窄带通信网的网络时延数据时间关联性较强的特点,提出了基于WOA-LSTM神经网络预测算法,其是在LSTM神经网络算法模型的基础上,通过WOA算法优化LSTM神经网络的初始隐含层神经元个数与初始学习率两个参数,在多个参数组合中进行局部搜索与全局搜索相结合的最优化搜索方式,从而提高算法模型预测精确度的一种改进LSTM神经网络时延预测算法。运用WOA-LSTM算法对本文专用窄带通信网网络时延进行仿真预测,与传统预测算法模型进行对比,结果表明:相较于ARIMA算法预测精确度提高了80%;比BP神经网络算法预测精确度提高了 77%;比GA-BP神经网络算法预测精确度提高了47%。在对不同主传链路下的专用窄带通信网网络时延预测时,WOA-LSTM神经网络预测误差范围变化最小,表明其鲁棒性最强。为下一步工程实施奠定了理论基础。
关键词：窄带通信网;神经网络文章目录
摘要
ABSTRACT
注释表
缩略词
第一章 绪论
1.1 课题研究目的
1.2 课题研究背景
1.3 国内外研究现状
1.3.1 传统概率统计模型
1.3.2 人工智能模型
1.3.3 混合模型
1.4 本文主要内容与结构
1.4.1 本文主要内容
1.4.2 本文结构
第二章 基础理论及相关工作
2.1 算法理论基础
2.1.1 ARIMA模型基本原理
2.1.2 BP神经网络基本原理
2.1.3 GA优化算法
2.1.4 LSTM神经网络基本原理
2.1.5 WOA算法基本原理
2.2 实验数据收集预处理和预测实验设置
2.2.1 实验数据收集
2.2.2 数据分析
2.2.3 数据预处理
2.2.4 预处理结果
2.3 本章小结
第三章 传统时延预测算法模型研究
3.1 基于ARIMA网络时延预测算法
3.1.1 ARIMA网络时延预测算法流程
3.1.2 实验设置
3.1.3 实验结果
3.2 基于BP神经网络的网络时延预测算法
3.2.1 BP神经网络时延预测算法流程
3.2.2 实验设置
3.2.3 实验结果
3.3 基于GA-BP神经网络的网络时延预测算法
3.3.1 GA-BP神经网络时延预测算法流程
3.3.2 实验设置
3.3.3 实验结果
3.4 本章小结
第四章 LSTM与WOA-LSTM神经网络时延预测算法
4.1 基于LSTM神经网络时延预测算法
4.1.1 仿真参数设置
4.1.2 实验结果
4.2 基于改进LSTM神经网络时延预测算法
4.2.1 WOA-LSTM神经网络算法流程
4.2.2 实验设置
4.2.3 实验结果
4.3 LSTM与WOA-LSTM算法对比
4.4 本章小结
第五章 算法性能对比
5.1 引言
5.2 光纤十短波通信链路预测结果对比
5.3 对流层散射通信链路预测结果对比
5.4 流星余迹通信链路预测结果对比
5.5 本章小结
第六章 工作总结与展望
6.1 工作总结
6.2 工作展望
参考文献
[1]基于长短期记忆网络的轨道交通短期OD客流量预测[J]. 张萍,肖为周,沈铮玺. 河北工业科技. 2021(05)
[2]基于PSO优化LSTM的滚动轴承剩余寿命预测[J]. 李卓漫,王海瑞. 化工自动化及仪表. 2021(04)
[3]基于深度学习LSTM模型的汇率预测[J]. 张蕾,孙尚红,王月. 统计与决策. 2021(13)
[4]基于LSTM法的高速公路边坡稳定性研究[J]. 李勃. 河北工业科技. 2021(02)
[5]基于长短期记忆神经网络模型的空气质量预测[J]. 张冬雯,赵琪,许云峰,刘滨. 河北科技大学学报. 2020(01)
[6]时间序列预测方法综述[J]. 杨海民,潘志松,白玮. 计算机科学. 2019(01)
[7]时间序列的表示与分类算法综述[J]. 原继东,王志海. 计算机科学. 2015(03)
[8]流星突发通信的现状及展望[J]. 胡大璋. 数字通信世界. 2014(09)
[9]HF电台网络组网[J]. 许道峰,张才华. 指挥信息系统与技术. 2013(02)
[10]流星余迹通信浅谈[J]. 王东,王碧翠,张亚妮. 科技视界. 2012(17)
