1.一种确定无线网格网络流量的方法,其特征在于,包括:
构建深度信念网络模型;所述深度信念网络模型是以零均值网络流量值的低频分量为输入,以低频网络流量预测值为输出的神经网络模型;
采集待检测无线网格网络的端到端流量,并将所述端到端流量作为第一网络流量的先验测量值;
对所述第一网络流量的先验测量值进行零均值处理,得到第一零均值网络流量值;
采用离散小波变换法,将所述第一零均值网络流量值分解为低频分量和高频分量;
将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型,获得网络流量的低频预测值;
采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量,获得网络流量的高频预测值;
将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换,获得所述端到端流量的预测值;所述端到端流量的预测值即为待检测无线网格网络的流量值。
2.根据权利要求1所述的一种确定无线网格网络流量的方法,其特征在于,所述构建深度信念网络模型之前,还包括:
采集无线网格网络的端到端流量,并将所述端到端流量作为第二网络流量的先验测量值;
对所述第二网络流量的先验测量值进行零均值处理,得到第二零均值网络流量值;
获取所述第二零均值网络流量值的低频分量,并将所获得的低频分量作为训练集;
选取所述训练集中符合预设条件的低频分量,对所述深度信念网络进行优化训练。
3.根据权利要求1所述的一种确定无线网格网络流量的方法,其特征在于,所述采用空-时压缩感知技术预测所述高频分量,获得高频网络流量预测值,包括:
将所述高频分量转换为矩阵,得到高频分量转换矩阵;
获取所述高频分量转换矩阵的预测值,所述预测值的初始值为设定值;
将所述预测值的初始值代入
将所述新的预测值代入公式
其中,||·||f表示范数,λ为正则化系数,d′为高频分量的转换矩阵,
4.根据权利要求3所述的一种确定无线网格网络流量的方法,其特征在于,所述端到端流量的预测值为:
式中,
5.根据权利要求1所述的一种确定无线网格网络流量的方法,其特征在于,所述零均值网络流量值为:
式中,xp,q(t)为零均值网络流量值,
6.一种确定无线网格网络流量的系统,其特征在于,包括:
网络模型构建模块,用于构建深度信念网络模型;所述深度信念网络模型是以零均值网络流量值的低频分量为输入,以网络流量的低频预测值为输出的神经网络模型;
第一端到端流量采集模块,用于采集待检测无线网格网络的端到端流量,并将所述端到端流量作为第一网络流量的先验测量值;
第一零均值处理模块,用于对所述第一网络流量的先验测量值进行零均值处理,得到第一零均值网络流量值;
第一零均值网络流量分解模块,用于采用离散小波变换法,将所述第一零均值网络流量值分解为低频分量和高频分量;
低频网络流量预测模块,用于将所述第一零均值网络流量值的低频分量输入所述深度信念网络模型,获得网络流量的低频预测值;
高频网络流量预测模块,用于采用空-时压缩感知技术预测所述第一零均值网络流量值的高频分量,获得网络流量的高频预测值;
流量获取模块,用于将所述网络流量的低频预测值和所述网络流量的高频预测值进行离散小波变换,获得所述端到端流量的预测值;所述端到端流量的预测值即为待检测无线网格网络的流量值。
7.根据权利要求6所述的一种确定无线网格网络流量的系统,其特征在于,所述系统还包括:
第二端到端流量采集模块,用于采集无线网格网络的端到端流量,并将所述端到端流量作为第二网络流量的先验测量值;
第二零均值处理模块,用于对所述第二网络流量的先验测量值进行零均值处理,得到第二零均值网络流量值;
训练集获取模块,用于获取所述第二零均值网络流量值的低频分量,并将所获得的低频分量作为训练集;
优化训练模块,用于选取所述训练集中符合预设条件的低频分量,对所述深度信念网络进行优化训练。
8.根据权利要求6所述的一种确定无线网格网络流量的系统,其特征在于,所述高频网络流量预测模块包括:
矩阵转换单元,用于将所述高频分量转换为矩阵,得到高频分量转换矩阵;
初始值设定单元,用于设定一个所述高频分量转换矩阵预测值的初始值;
预测值获取单元,用于获取所述高频分量转换矩阵的预测值,所述预测值的初始值为设定值;
所述预测值获取单元,还用于将所述预测值的初始值代入
其中,||·||f表示范数,λ为正则化系数,d′为高频分量的转换矩阵,