系统辨识建模

1/12上海大学2015～2016学年冬季学期研究生课程考试小论文格式课程名称：系统建模与辨识课程编号：09SB59002论文题目:基于改进的BP神经网络模型的网络流量预测研究生姓名:李金田学号:15721524论文评语:成绩:任课教师:张宪评阅日期:2/12基于改进的BP神经网络模型的网络流量预测15721524，李金田2016/3/4摘要：随着无线通信技术的快速发展，互联网在人们的日常生活中占据了越来越重要的位置。网络中流量监控和预测对于研究网络拓扑结构有着重要的意义。本文参考BP算法，通过分析算法的优势和存在的一些问题，针对这些缺陷进行了改进。通过建立新的流量传输的传递函数，对比了经典的传递函数，并且在网络中进行了流量预测的实验和验证。新方法在试验中表现出了良好的实验性能，在网络流量预测中有很好的应用，可以作为网络流量预测的一个新方法和新思路，并且对研究网络拓扑结构有着重要的启发作用。网络流量预测在研究网络行为方面有着重要的作用。ARMA时间序列模型是比较常见的用于网络流量预测的模型。但是用在普通时间序列模型里面的一些参数很难估计，同时非固定的时间序列问题用ARMA模型很难解决。人工神经网络技术通过对历史数据的学习可能对大量数据的特征进行缓存记忆，对于解决大数据的复杂问题很合适。IP6网络流量预测是非线性的，可以使用合适的神经网络模型进行计算。ANovelBPNeuralNetworkModelforTrafficPredictionofTheNextGenerationNetwork.Abstract:Withtherapiddevelopmentofwirelesscommunicationtechnology,theinternetoccupyanimportantpositioninpeople’sdailylife.Monitoringandpredictingthetrafficofthenetworkisofgreatsignificanttostudythetopologyofthenetwork.AccordingtotheBPalgorithm,thispaperproposedanimprovedBPalgorithmbasedontheanalysisofthedrawbackofthealgorithm.Byestablishinganewtransferfunctionofthetraffictransmission,wecompareitwiththeprevioustransmissionfunction.Then,thefunctionisusedtodoexperiments,foundtobethebetterthanbefore.Thismethodcanbeusedasanewwaytopredictthenetworktraffic,whichhasimportantimplicationsforthestudyofthenetworktopology.Networktrafficpredictionisanimportantresearchaspectofnetworkbehavior.Conventionally,ARMAtimesequencemodelisusuallyadoptedinnetworktrafficprediction.However,theparametersusedinnormaltimesequencemodelsaredifficulttobeestimatedandthenonstationarytimesequenceproblemcannotbeprocessedusingARMAtimesequenceproblemmodel.Theneuralnetworktechniquemaymemorylargequantityofcharacteristicsofdatasetbylearningpreviousdata,andissuitableforsolvingtheseproblemswithlargecomplexity.IP6networktrafficpredictionisjusttheproblemwithnonlinearfeatureandcanbesolvedusingappropriateneuralnetworkmodel.3/121.引言人工神经网络是近年来的热点研究领域，涉及到电子科学与技术、信息与通信工程、计算机科学与技术、控制科学与技术等很多学科，其应用领域包括：建模、时间序列分析、模式识别和控制等，并在不断的拓展。神经网络的学习算法一直是人工神经网络理论研究和应用领域中一个重要的研究领域。神经网络的学习算法一直是人工神经网络理论研究和应用领域中的一个重要研究内容，尤其是对前馈神经网络学习算法的研究，至今没有一个十分理想的解决办法。其中BP神经网络在前馈神经网络学习算法中有着最广、最具有代表性。通过对BP神经网络算法较为深入的研究，提出了改进算法。随着IPV6[14]的广泛应用，地址空间扩展到128位，网络结构变得越来越复杂。这就导致网络管理和运营出现了新的问题。网络流量通过建立网络流量模型，采用历史的数据可以预测网络中一段时间内的未来流量变化。一个好的模型不仅能够准确地反映历史数据的特性，并且能够预测未来一段时间内的网络流量。因此根据不同的网络特性，建立高效的网络流量模型对于网络流量的预测有着十分重要的意义。和IPV4相比，IPV6网络有很多的新特性，比如说：多媒体流量和IPV6拓扑结构下的大量的有规律的数据流。因此，进行IPV6结构下的网络流量预测需要建立新的模型，使流量预测更加准确。人工神经网络技术广泛的应用到IPV4中进行流量预测，但是这些传统的网络模型通常都是假设网络中流量是线性的，使用数组和线性递归技术描述系统。但是IPV6中的网络流量没有表现出明显的规律性，因为网络流量包含了很多的非线性因素。最近的研究研究表明，传统的时间序列模型，线性预测模型不能够解决复杂的非线性流量预测，在一定程度上影响了网络流量预测的结果。2.研究背景2.1神经网络简介思维学普遍认为，人类大脑的思维分为抽象逻辑、形象逻辑和灵感思维三种基本方式。神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。神经网络所能实现的行为很多，主要的研究工作集中在以下几个方面：（1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物学科方面研究神经细胞、神经网络、神经系统的生物原型结构机器功能机理。（2）建立理论模型。根据生物原型的研究，建立神经元，神经网络的理论模型。其中包括概念模型、知识模型、物理模型、数学模型等。（3）网络模型与算法研究。在理论模型研究的基础上构造相关的神经网络模型，以实现计算机模拟，也包括网络学习算法的研究，这方面的工作也称之为技术模型研究。（4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构造专家系统、制作机器人等等。人工神经网络（ANN）也称为神经网络（NN），是由大量处理单元广泛连接而成的网络，是对人脑的抽象，简化和模拟，反映出人脑的基本特性。与人脑的相似之处可概括为两个方面：（1）通过学习过程利用神经网络从外部环境中获取知识；（2）内部神经元用来存储获取的知识信息。4/12人工神经网络[15]的研究从20世纪40年代初开始，至今已有半个多世纪的历史。它是由众多的神经元和可调节的连接权值连接而成，具有大规模并行处理，分布式信息存储、良好的自组织学习能力等特点。BP（BackPropagation）算法又称为误差反向传播算法，是人工神经网络中的一种监督式学习算法。BP神经网络算法在理论上可以逼近任意函数，基本的结构由非线性变化单元构成，具有很强的非线性映射能力，而且网络的中间层数，各层的处理单元数以及网络的学习系数等参数可以根据具体的情况而定，灵活性很大。在优化、信号处理、模式识别[16]、智能控制、故障诊断等许多领域都有着广泛的应用前景。人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。前向人工神经网络的基本结构如下：……输入输入层输入神经元隐含层隐含神经元输出层输出神经元输出图1.人工神经元的基本结构模型人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。人工神经网络的特点：（1）人类大脑有很强的自适应与自组织特性，后天的学习与训练可以开发许多各具特色的活动功能。如盲人的听觉和触觉非常灵敏；聋哑人善于运用手势；训练有素的运动员可以表现出非凡的运动技巧等等。普通计算机的功能取决于程序中给出的知识和能力。显然，对于智能活动要通过总结编制程序将十分困难。人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力5/12的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境（即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。（2）泛化能力泛化能力指对没有训练过的样本，有很好的预测能力和控制能力。特别是，当存在一些有噪声的样本，网络具备很好的预测能力。(3)非线性映射能力当对系统对于设计人员来说，很透彻或者很清楚时，则一般利用数值分析，偏微分方程等数学工具建立精确的数学模型，但当对系统很复杂，或者系统未知，系统信息量很少时，建立精确的数学模型很困难时，神经网络的非线性映射能力则表现出优势，因为它不需要对系统进行透彻的了解，但是同时能达到输入与输出的映射关系，这就大大简化设计的难度。(4)高度并行性并行性具有一定的争议性。承认具有并行性理由：神经网络是根据人的大脑而抽象出来的数学模型，由于人可以同时做一些事，所以从功能的模拟角度上看，神经网络也应具备很强的并行性。多少年以来，人们从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图认识并解答上述问题。在寻找上述问题答案的研究过程中，这些年来逐渐形成了一个新兴的多学科交叉技术领域，称之为“神经网络”。神经网络的研究涉及众多学科领域，这些领域互相结合、相互渗透并相互推动。不同领域的科学家又从各自学科的兴趣与特色出发，提出不同的问题，从不同的角度进行研究。在神经元特征的基础上，我们能够得到经典的神经元模型：1x2xnx...1jw2jwjnwjj()fjSjY图2.神经元基本机构模型人工神经网络的发展过程并不是一帆风顺的，大致可分为以下几个阶段：1）1943年，MP模型被提出，从而给出了神经元的最基本模型及相应的工作方式。然后，神经生物学家D.Hebb发现，脑细胞之间的连通在参与某种活动时将被加强，从而给出了生理学与心理学之间的联系，被称之为Hebb学习规则。该规则至今仍然被许多神经网络的学习算法使用。在接下来F.Rosenblat提出了感知机模型，这是一个由线性阈值神经元组成的前馈神经网络模型。2）低潮时期；1969年，人工智能的创始人M.Minsky和S.Paper指出：单层Perceptron只能作线性6/12化分，多层的Perceptron还没有可用的算法，因此认为Perception无实用价值。由于Minsky和Papert在人工智能领域的地位，在人工神经网络研究人员之间产生