专利名称：一种基于认知网络的网络流量预测方法和装置的制作方法
技术领域：
本发明涉及网络信息技术领域，特别是涉及一种基于认知网络的网络流量预测方 法和装置。
背景技术：
认知技术是一种智能无线通信系统，它能感知周围环境，从环境中获取信息并通 过实时改变诸如传输功率、载频、调制方式等参数来适应环境的变化。目前，认知技术的主 要成果集中表现为认知无线电技术的发展及应用。将认知技术引入到网络系统应用中，就 认知网络(Cognitive Network)，它是未来通信领域的一个重要研究领域。认知网络需要感 知周围环境的电磁变化特征，并依据感知结果，智能决策，自动调整其设备的发射与接收参 数。认知网络所要研究的关键技术包括环境感知技术、信息挖掘技术、智能决策技术、网络 重配置等。环境感知是实现通信网络认知的基础，感知的内容包括无线环境及其所处的网 络环境。无线环境感知的主要研究内容有无线环境的分析，包括对无线传播环境干扰度 (Interference Temperature)的估计以及频谱空穴(Spectrum Holes)的检测；信道的确 认，包括对信道状态信息的估计以及对信道容量的预测，发射功率控制及动态频谱管理等。 其中，频谱空穴检测是目前研究的重点，值得强调的是，频谱空穴并不能简单地通过检测某 些感兴趣的频带内的信号能量得到，而需要更复杂的技术在时域，频域和空域来检测。因 此，频谱空穴包含了信号的时域，空域，和频域信息等。一般来说，频谱检测技术可以分为发 射源检测，合作检测和干扰检测。网络环境感知是网络环境自适应的基础。研究内容包括 网络环境信息的获取、表示、融合和利用。其中，网络环境主要包括网络类型、网络拓扑、可 用资源、接口协议、网络流量等影响端到端传输性能的网络工作状态。迅速准确地感知网络 环境的变化，是认知网络得以发挥作用的基础。智能决策是利用人工智能，特别是专家系统(expert system)的原理和技术所建 立的、辅助决策的计算机软件系统，支持半结构化和非结构化问题的决策。智能决策系统主 要包括决策支持系统、专家系统、机器学习、效能评价等。认知网络足一个具有智能的主体， 我们将人工智能理论、机器学习、推理机制引入专用通信网络决策系统，使得专用通信网络 能够实现环境自适应。它要将无线资源管理博弈论拓展到网络配置决策，并且研究智能决 策的性能评价机制，根据环境分析的结果和用户输入判断决策结果是否最优，进而调整网 络认知循环的各个环节。在认知网络的基础上，针对网络流量进行建模和预测研究。网络流量模型是进行 网络性能分析和网络规划设计的基础，优化流量模型与预测方法有助于设计新一代网络协 议、网络管理与诊断、设计高性能的路由器和负载均衡器等网络硬件设备以及提高网络的 服务质量。随着网络带宽的增加以及各种网络服务的出现，以往的流量预测模型已经难以 满足对现有以及将来网络流量的精确描述及预测。因此，目前需要本领域技术人员迫切解决的一个技术问题就是如何能够创新地提出一种基于认知网络的网络流量预测方法和装置，以解决现有技术中存在的问题，为网 络流量提供更为准确的模型和预测。
发明内容
本发明所要解决的技术问题是提供一种基于认知网络的网络流量预测方法和装 置，用以为网络流量提供更为准确的模型和预测。为了解决上述问题，本发明公开了一种基于认知网络的网络流量预测方法，所述 方法包括对输入信号X(t)进行最小二乘法处理，输出预测样本数据Y(t)；对Y(t)进行小波变换，分解为不同频率成分的分量，k时刻小波变换系数序列{DjkhDjk)，夂1\00，八^10}；把分量(D1 (k), D2(k), ...DL(k)}作为Elman网络的输入，k+T时刻的小波系数 (D1 (k+T)，D2(k+T)，…Dl(k+T)}作为输出来训练网络；把分量{~(k)}作为线性网络的输入，{~(k+T)}来作为输出来训练网络；将训练好的小波各分量(D1 (k+T), D2 (k+T), -Dl (k+T), Al (k+T)}作为BP网络的 输入，k+T时刻的原始流量时间{f(k+T)}作为网络输出，训练网络，获取预测输出。优选的，所述Elman网络是一种层次性反馈网络，分为输入层、中间层(隐层)、承 接层和输出层四层。优选的，所述BP网络是一种层次性前馈网络，具有三层或三层以上的神经网络。本发明还公布了一种基于认知网络的网络流量预测装置所述装置包括第一处理模块，用于对输入信号X(t)进行最小二乘法处理，输出预测样本数据 Y(t)；第二处理模块，用于对Y(t)进行小波变换，分解为不同频率成分的分量，k时刻小 波变换系数序列 ID1 (k),D2(k), ...DL(k)，AL(k)}；第三处理模块，用于把分量(D1 (k)，D2 (k)，...DL(k)}作为Elman网络的输入，k+T 时刻的小波系数(D1 (k+T), D2 (k+T), -Dl (k+T)}作为输出来训练网络；第四处理模块，用于把分量{~(k)}作为线性网络的输入，{~(k+T)}来作为输出 来训练网络；第五处理模块，用于将训练好的小波各分量ID1 (k+T)，D2 (k+T)，-Dl (k+T), Al (k+T)}作为BP网络的输入，k+T时刻的原始流量时间{f(k+T)}作为网络输出，训练网络， 获取预测输出。优选的，所述第三处理模块中的Elman网络是一种层次性反馈网络，分为输入层、 中间层(隐层)、承接层和输出层四层。优选的，所述第五处理模块中的BP网络是一种层次性前馈网络，具有三层或三层 以上的神经网络。与现有技术相比，本发明具有以下优点本发明通过对输入信号X(t)进行最小二乘法处理，输出预测样本数据Y(t)， 对Y(t)进行小波变换，分解为不同频率成分的分量，k时刻小波变换系数序列仉(10， D2 (k)，... Dl (k)，AL(k)}，把分量(D1 (k)，D2 (k)，... Dl (k)}作为 Elman 网络的输入，k+T 时刻的小波系数{D^k+^^^k+^^-D^k+T)}作为输出来训练网络，把分量{AL(k)}作为线性网 络的输入，{~(k+T)}来作为输出来训练网络，将训练好的小波各分量{Djk+T)，D2(k+T)，··· DL(k+T),AL(k+T)}作为BP网络的输入，k+T时刻的原始流量时间{f(k+T)}作为网络输出， 训练网络，获取预测输出，针对以往的流量模型以及预测方法的利弊，引入LMS算法对输入 样本进行预处理，再输入到接下来的小波神经网络预测模型(WNN)中，解决了现有模型的 “过拟合”问题，为网络流量提供更为准确的模型和预测。
图1是本发明实施例一所述的一种基于认知网络的网络流量预测方法流程图；图2是本发明实施例一所述的神经元模型示意图；图3是本发明实施例二所述的一种基于认知网络的网络流量预测装置结构图。
具体实施例方式为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实 施方式对本发明作进一步详细的说明。实施例一参照图1，示出了本发明的一种基于认知网络的网络流量预测方法流程图，所述方 法具体包括步骤S101，对输入信号X(t)进行最小二乘法处理，输出预测样本数据Y(t)；最小二乘法可以用来处理一组数据，可以从一组测定的数据中寻求变量之间的依 赖关系，这种函数关系称为经验公式。本实施例中所述的基于认知网络的网络流量预测方 法，可以理解为Anti-overfitting预测模型，对输入样本进行最小二乘法(IiK)处理，处理 后的预测样本作为输入。下面将介绍最小二乘法的精确定义及如何寻求χ与y之间近似成线性关系时的经 验公式。假定实验测得变量之间的η个数据(Xl，Y1)，(x2, J2),..., (xn, yn)，则在xOy平面 上，可以得到η个点PiUi, Yi) (i = 1,2,…，n)，这种图形称为“散点图”，从图中可以粗略 看出这些点大致散落在某直线旁，我们认为χ与y之间近似为一线性函数，下面介绍求解步马聚ο考虑函数y = ax+b，其中a和b是待定常数。如果PiG = 1，2，…，η)在一直线 上，可以认为变量之间的关系为1 = ax+b。但一般说来，这些点不可能在同一直线上。记Zi =Yi- (aXi+b)，它反映了用直线y = ax+b来描述x = Xi，y = yi时，计算值y与实际值Ji产Π生的偏差。当然要求偏差越小越好，但由于&可正可负，因此不能认为总偏差2>= 0时，!=1函数y = ax|b就很好地反映了变量之间的关系，因为此时每个偏差的绝对值可能很大。为πη了改进这一缺陷，就考虑用Σ 来代替Σ马。但是由于绝对值不易作解析运算，因此，进!=1 !=1H一步用Σ弓2来度量总偏差。因偏差的平方和最小可以保证每个偏差都不会很大。于是问
解此联立方程得·
权利要求
1.一种基于认知网络的网络流量预测方法，其特征在于，所述方法包括 对输入信号x(t)进行最小二乘法处理，输出预测样本数据Y(t)；对Y(t)进行小波变换，分解为不同频率成分的分量，k时刻小波变换系数序列{DiGO，D2 (k)，夂1\00，八^10}；把分量他㈨，柳广嘴㈨}作为Elman网络的输入，k+T时刻的小波系数(D1 (k+T), D2(k+T)，-Dl(k+T)}作为输出来训练网络；把分量{~(k)}作为线性网络的输入，{Ajk+Τ)}来作为输出来训练网络； 将训练好的小波各分量(D1 (k+T), D2 (k+T),…Dl (k+T)，Al (k+T)}作为BP网络的输入， k+T时刻的原始流量时间{f(k+T)}作为网络输出，训练网络，获取预测输出。
2.根据权利要求1所述的方法，其特征在于所述Elman网络是一种层次性反馈网络，分为输入层、中间层(隐层)、承接层和输出层 四层。
3.根据权利要求1所述的方法，其特征在于所述BP网络是一种层次性前馈网络，具有三层或三层以上的神经网络。
4.一种基于认知网络的网络流量预测装置，其特征在于，所述装置包括第一处理模块，用于对输入信号X(t)进行最小二乘法处理，输出预测样本数据Y(t)； 第二处理模块，用于对Y(t)进行小波变换，分解为不同频率成分的分量，k时刻小波变 换系数序列 ID1 (k),D2(k), ...DL(k)，AL(k)}；第三处理模块，用于把分量他㈨，柳，...DL(k)}作为Elman网络的输入，k+T时亥Ij 的小波系数(D1 (k+T), D2 (k+T), -Dl (k+T)}作为输出来训练网络；第四处理模块，用于把分量{~(k)}作为线性网络的输入，{Ajk+Τ)}来作为输出来训 练网络；第五处理模块，用于将训练好的小波各分量(D1 (k+T), D2 (k+T), -Dl (k+T), Al (k+T)} 作为BP网络的输入，k+T时刻的原始流量时间{f(k+T)}作为网络输出，训练网络，获取预 测输出。
5.根据权利要求4所述的装置，其特征在于所述第三处理模块中的Elman网络是一种层次性反馈网络，分为输入层、中间层(隐 层)、承接层和输出层四层。
6.根据权利要求4所述的装置，其特征在于所述第五处理模块中的BP网络是一种层次性前馈网络，具有三层或三层以上的神经 网络。
全文摘要
本发明提供了一种基于认知网络的网络流量预测方法和装置，通过对输入信号X(t)进行最小二乘法处理，输出预测样本数据Y(t)，对Y(t)进行小波变换，分解为不同频率成分的分量，k时刻小波变换系数序列{D1(k)，D2(k)，…DL(k)，AL(k)}，把分量{D1(k)，D2(k)，…DL(k)}作为Elman网络的输入，k+T时刻的小波系数{D1(k+T)，D2(k+T)，…DL(k+T)}作为输出来训练网络，把分量{AL(k)}作为线性网络的输入，{AL(k+T)}来作为输出来训练网络，将训练好的小波各分量{D1(k+T)，D2(k+T)，…DL(k+T)，AL(k+T)}作为BP网络的输入，k+T时刻的原始流量时间{f(k+T)}作为网络输出，训练网络，获取预测输出，针对以往的流量模型以及预测方法的利弊，引入LMS算法对输入样本进行预处理，再输入到接下来的小波神经网络预测模型(WNN)中，解决了现有模型的“过拟合”问题，为网络流量提供更为准确的模型和预测。
文档编号H04W16/22GK102056183SQ201010585259
公开日2011年5月11日 申请日期2010年12月10日 优先权日2010年12月10日
发明者华蕊, 张润彤, 朱晓敏, 李丹丹, 李岩, 杨泽东, 谷秀君 申请人:北京交通大学