[发明专利]一种基于RBF神经网络的网络流量测量方法

摘要

本发明公开了一种基于RBF神经网络的网络流量测量方法，依次包括以下步骤建立RBF神经网络模型、网络流量数据行归一化处理、RBF神经网络模型的学习算法、RBF神经网络模型的训练算法、RBF神经网络模型性能的评价。本发明通过建立了一个基于RBF神经网络的流量测量模型，给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法，相对于BP流量预测模型，RBF方法预测准确度更高，能够很好地描述网络流的变化规律，具有泛化能力强、稳定性良好的特点，在网络流量预测中有较高的实用价值。

主权项

一种基于RBF神经网络的网络流量测量方法，其特征在于：依次包括以下步骤：a)建立RBF神经网络模型：RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产生较大的输出信号，RBF神经网络的数学模型公式为：式中，nc为隐层节点个数，x为n维输入向量，ki为第i个隐节点中心；||·||为欧氏范数；wki为隐节点输出的连接权；θk为第k个输出节点的阀值；g(·)取为高斯函数，g(·)的表达式为：b)网络流量数据行归一化处理：为了提高RBF神经网络模型的学习速度，在训练前对网络流量数据行归一化处理，处理公式为：最后对RBF神经网络模型的预测结果反归一化处理，恢复网络流量真实预测值：x＝x'(xmax‑xmin)+xmin，其中x'为归一化后网络流量值，x为网络流量真实预测值，xmin和xmax表示分别表示网络流量的最小值和最大值；c)RBF神经网络模型的学习算法：RBF网络模型的学习算法由无导师学习和有导师学习两部分组成，无导师学习是对所有样本的输入进行聚类，求得各隐节点中心ki；有导师学习是当ki确定后，采用最小二乘法训练由隐层至输出层之间的权值；d)RBF神经网络模型的训练算法：RBF神经网络模型训练算法首先选择输入向量的子集作为RBF神经网络模型的初始权值向量，然后从一个神经元开始每迭代一步增加一个RBF神经元，并采用正交最小二乘法找出最恰当的输入向量增加RBF的权值向量，每一步计算出目标向量与RBF网络学习输出和中量间 的误差平方和，当误差平方和达到设置的误差指标或达到最多神经元个数时，训练结束；e)RBF神经网络模型性能的评价：采用均方误差MSE和平均绝对百分误差MAPE作为模型性能的评价指标，均方误差MSE和平均绝对百分误差MAPE的定义如下：,yt表示网络流量实际值，表示网络流量的预测值。