-
公开(公告)号：CN116668320A
公开(公告)日：2023-08-29
申请号：CN202310725691.0
申请日：2023-06-19
Applicant: 华北理工大学
IPC: H04L41/147 , H04L41/16 , H04W24/02 , H04L41/14 , H04W24/06
Abstract: 本发明公开了一种基于冗余储备池计算的边缘网络流量预测方法，包括：采集边缘基站的流量数据，并根据所述流量数据构建训练集和测试集，将构建的训练集输入ESN模型并训练，收集储备池状态矩阵；利用序数模式转换网络建模方法将储备池状态矩阵进行高维映射，并根据复杂网络度量指标计算储备池神经元的序数复杂度，确定储备池关键和非关键神经元；将储备池关键神经元的输入权重和内部权重通过冗余方式向储备池非关键神经元进行均衡迁移，形成新的ESN模型，并重新训练新的ESN模型，获得最优的输出权重矩阵；将训练完成的新的ESN模型部署在边缘侧网络流量管控设备上，实时收集边缘基站的流量数据作为模型的输入，得到的模型输出为未来网络流量的预测值。
-
公开(公告)号：CN116911351A
公开(公告)日：2023-10-20
申请号：CN202310724111.6
申请日：2023-06-19
Applicant: 华北理工大学
Abstract: 本发明基于储备池神经元状态的确定性DET，提出了一种基于递归图的储备池神经元故障检测及容错方法。DET是从递归图RP中获得的参数之一，RP包括许多信号特征，而这些特征难以被其它工具提取出来。由于神经元的确定性会在特定条件下变化，因此，该指标被用作储备池神经元故障的检测标准。具体地，在故障神经元的检测阶段，通过公式计算训练后的ESN中每个储备池神经元的DET，当某个神经元的DET低于阈值时，可将该神经元视为故障神经元，并记录此故障神经元的位置，实现故障神经元的检测。在容错阶段，将该神经元的输出权值置为零，使其退出当前的计算任务，进而实现储备池的容错计算。最终，通过此方法可构建一个具备实时容错功能的高可靠性ESN。
-
公开(公告)号：CN105978732B
公开(公告)日：2019-08-16
申请号：CN201610478359.9
申请日：2016-06-27
Applicant: 华北理工大学
IPC: H04L12/24
Abstract: 本发明涉及一种基于粒子群优化最简回声状态网络参数的方法和系统，其方法包括以下步骤：(1)建立最简回声状态网络模型；(2)设置最简回声状态网络模型的初始化参数；(3)建立适应度函数；(4)计算粒子目标函数；(5)更新各粒子个体最优解和结构参数；(6)判断是否达到终止条件；(7)输出粒子群最优解。本发明所引用最简回声状态网络模型包括输入层、储备池和输出层，该模型具有一个确定的储备池结构，其中的神经元以环形结构相连，增强了储备池拓扑的稳定性且简化了计算量，同时，基于粒子群优化算法运算速度快，全局搜索能力强的特点，对最简回声状态网络的多个参数进行了优化，从而得到一个粒子群最优解，提高了预测精度。
-
Patent Agency Ranking
公开(公告)号：CN105978733B
公开(公告)日：2019-04-16
申请号：CN201610481911.X
申请日：2016-06-27
Applicant: 华北理工大学
IPC: H04L12/24
Abstract: 本发明涉及一种基于韦布尔分布的网络流量建模方法和系统，包括以下步骤：步骤1：产生预定数量的韦布尔噪声时间序列at；步骤2：对产生的韦布尔噪声时间序列at进行预处理，剔除异点，并进行零均值化处理得到韦布尔时间序列εt；步骤3：采用搜索法估计分数差分系数d；步骤4：根据分数差分系数d对步骤2的韦布尔时间序列εt应用分数差分公式进行差分滤波得到时间序列Wt；步骤5：对时间序列Wt进行ARMA过程，得FARIMA时间序列Xt；步骤6：验证产生的FARIMA时间序列Xt能够描述网络流量的自相似性和突发性。该网络流量建模方法用韦布尔分布代替高斯分布生成的FARIMA模型比传统的网络流量模型更精确，更符合实际的网络流量的波形图，自相似的程度更好。
-
公开(公告)号：CN105978733A
公开(公告)日：2016-09-28
申请号：CN201610481911.X
申请日：2016-06-27
Applicant: 华北理工大学
IPC: H04L12/24
CPC classification number: H04L41/145
Abstract: 本发明涉及一种基于韦布尔分布的网络流量建模方法和系统，包括以下步骤：步骤1：产生预定数量的韦布尔噪声时间序列at；步骤2：对产生的韦布尔噪声时间序列at进行预处理，剔除异点，并进行零均值化处理得到韦布尔时间序列εt；步骤3：采用搜索法估计分数差分系数d；步骤4：根据分数差分系数d对步骤2的韦布尔时间序列εt应用分数差分公式进行差分滤波得到时间序列Wt；步骤5：对时间序列Wt进行ARMA过程，得FARIMA时间序列Xt；步骤6：验证产生的FARIMA时间序列Xt能够描述网络流量的自相似性和突发性。该网络流量建模方法用韦布尔分布代替高斯分布生成的FARIMA模型比传统的网络流量模型更精确，更符合实际的网络流量的波形图，自相似的程度更好。
-
公开(公告)号：CN112270058B
公开(公告)日：2023-05-16
申请号：CN202011044514.9
申请日：2020-09-28
Applicant: 华北理工大学
IPC: G06F30/18 , G06F30/27 , G06F119/02
Abstract: 本发明公开了一种基于回声状态网络的光网络多信道传输质量预测方法，收集并加载广域光骨干网络中的用于传输质量试验的多条信道的Q因子数据，设置包含信道状态和Q因子特征的组合向量表达每一条信道中Q因子状态；选择组合向量中需要同时进行预测的多条信道数据进行归一化处理，作为训练样本，对构建的CESN神经网络结构进行训练，用训练好的CESN预测模型进行预测，再对预测结果进行反归一化得到预测的多信道Q因子数据值。该方法可以克服传统机器学习方法中存在的低时效问题，提供高准确度和高时间效率的光网络传输质量预测模型；同时，该方法可以同时预测多条光路的传输质量，减少网络损耗并提高效率。
-
公开(公告)号：CN112270058A
公开(公告)日：2021-01-26
申请号：CN202011044514.9
申请日：2020-09-28
Applicant: 华北理工大学
IPC: G06F30/18 , G06F30/27 , G06F119/02
Abstract: 本发明公开了一种基于回声状态网络的光网络多信道传输质量预测方法，收集并加载广域光骨干网络中的用于传输质量试验的多条信道的Q因子数据，设置包含信道状态和Q因子特征的组合向量表达每一条信道中Q因子状态；选择组合向量中需要同时进行预测的多条信道数据进行归一化处理，作为训练样本，对构建的CESN神经网络结构进行训练，用训练好的CESN预测模型进行预测，再对预测结果进行反归一化得到预测的多信道Q因子数据值。该方法可以克服传统机器学习方法中存在的低时效问题，提供高准确度和高时间效率的光网络传输质量预测模型；同时，该方法可以同时预测多条光路的传输质量，减少网络损耗并提高效率。
-
公开(公告)号：CN105978732A
公开(公告)日：2016-09-28
申请号：CN201610478359.9
申请日：2016-06-27
Applicant: 华北理工大学
IPC: H04L12/24
CPC classification number: H04L41/12 , H04L41/0823 , H04L41/145
Abstract: 本发明涉及一种基于粒子群优化最简回声状态网络参数的方法和系统，其方法包括以下步骤：(1)建立最简回声状态网络模型；(2)设置最简回声状态网络模型的初始化参数；(3)建立适应度函数；(4)计算粒子目标函数；(5)更新各粒子个体最优解和结构参数；(6)判断是否达到终止条件；(7)输出粒子群最优解。本发明所引用最简回声状态网络模型包括输入层、储备池和输出层，该模型具有一个确定的储备池结构，其中的神经元以环形结构相连，增强了储备池拓扑的稳定性且简化了计算量，同时，基于粒子群优化算法运算速度快，全局搜索能力强的特点，对最简回声状态网络的多个参数进行了优化，从而得到一个粒子群最优解，提高了预测精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.012 seconds)
