發(fā)布時(shí)間：2024-06-29 09:52

　　針對(duì)網(wǎng)絡(luò)控制系統(tǒng)誘導(dǎo)時(shí)延具有的隨機(jī)性、非平穩(wěn)性、非線性等特點(diǎn),提出了一種基于改進(jìn)的集總平均經(jīng)驗(yàn)?zāi)B(tài)分解(modified ensemble empirical mode decomposition,MEEMD)-排列熵和布谷鳥(niǎo)搜索(cuckoo search,CS)優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)(wavelet neural network,WNN)時(shí)延預(yù)測(cè)算法。首先通過(guò)MEEMD對(duì)網(wǎng)絡(luò)誘導(dǎo)時(shí)延序列進(jìn)行處理,分別計(jì)算各模態(tài)的排列熵值,對(duì)復(fù)雜度相近的模態(tài)進(jìn)行重組后得到新的子序列,從而達(dá)到降低建模復(fù)雜度和減少計(jì)算量的目的;然后利用CS算法優(yōu)化的WNN預(yù)測(cè)新的子序列;最后疊加各子序列預(yù)測(cè)結(jié)果以獲得時(shí)延序列的最終預(yù)測(cè)值。仿真表明,該算法具有較好的預(yù)測(cè)精度,能反映時(shí)延序列的總體趨勢(shì),可有效地降低異常值影響等優(yōu)點(diǎn)。

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖1網(wǎng)絡(luò)時(shí)延序列

某實(shí)驗(yàn)室（172.20.10.5）為源地址，向目標(biāo)地址（111.13.100.92）每分鐘發(fā)送一次32位數(shù)據(jù)包，持續(xù)兩天，截取其中的一段數(shù)據(jù)，每隔10個(gè)值采樣一次，測(cè)得500組時(shí)延數(shù)據(jù)，網(wǎng)絡(luò)時(shí)延序列如圖1所示。由于網(wǎng)絡(luò)時(shí)延序列固有的強(qiáng)非平穩(wěn)性和高復(fù)雜性，單一預(yù)測(cè)模型很難捕獲其特征....

圖2WNN拓?fù)浣Y(jié)構(gòu)圖

三層WNN模型的拓?fù)浣Y(jié)構(gòu)如圖2所示。圖2中，Xi(i=1,2，…，t）是WNN的輸入?yún)?shù)，Y是預(yù)測(cè)輸出序列，wij為輸入層和隱含層的連接權(quán)值，wjk為隱含層和輸出層的連接權(quán)值。在輸入信號(hào)序列為xi(i=1,2，…，k）時(shí)，隱含層的輸出計(jì)算公式為

圖3時(shí)延序列EMD處理結(jié)果

圖1所示實(shí)測(cè)網(wǎng)絡(luò)時(shí)延數(shù)據(jù)具有較強(qiáng)的非平穩(wěn)性和非線性，為了更全面掌握原始時(shí)延序列特征，分別采用EMD和MEEMD對(duì)時(shí)延序列分解，生成一系列不同尺度IMF分量和剩余分量Res如圖3和圖4所示。圖4時(shí)延序列MEEMD處理結(jié)果

圖4時(shí)延序列MEEMD處理結(jié)果

圖3時(shí)延序列EMD處理結(jié)果本文分別從完備性、整體正交性和分量數(shù)目3個(gè)指標(biāo)對(duì)EMD與MEEMD分解結(jié)果進(jìn)行分析。完備性指標(biāo)也叫重構(gòu)誤差，指分解后的各模態(tài)函數(shù)之和與原始序列的均方根誤差，完備性指標(biāo)值越大則完備性越差；整體正交性指標(biāo)，是衡量模態(tài)混疊程度的指標(biāo)，整體正交性指標(biāo)值越大，則....

本文編號(hào)：3997449