基于混沌理论的网络数据流RBF神经网络预测.pdf

年月
第32卷第23期计算机工程200612
December2006
Vol.32No.23ComputerEngineering

·网络与通信·文章编号：1000—3428(2006)23—0100—04文献标识码：A中图分类号：TP183
基于混沌理论的网络数据流RBF神经网络预测

陆锦军1,2，王执铨1
(1.南京理工大学自动化学院，南京210094；2.南通职业大学现代教育技术中心，南通226007)

摘要：应用相空间重构理论，研究了网络数据流的混沌特性，计算了实际网络数据流的关维数、Lyapunov指数，证实网络数据流存在混
沌现象；据此建立了基于径向基函数(RBF)预测模型，对实际网络数据流进行预测。仿真实验表明，相对于反向传播(BP)神经网络预测，
基于混沌理论的RBF神经网络预测方法学习速度快，预测精度高。
关键词：混沌理论；重构相空间；网络数据流；RBF神经网络
StudyofInternetTrafficDataFlowForecastofRBFNeutral
NetworkBasedonChaosTheory

LUJinjun1,2,WANGZhiquan1
(1.SchoolofAutomation,NanjingUniversityofScienceandTechnology,Nanjing210094;
2.CenterofEducationandTechnology,NantongVocationalCollege,Nantong226007)

【Abstract】ChaoticcharacteristicsoftheInternettrafficdataflowsisstudiedonthetheoryofthephasespacereconstruction,andsomeparameters
suchascorrelativedimensionandLyapunovexponentarecomputed,theInternettrafficchaosphenomenalyinginInternettrafficdataflowsare
demonstrated.Aradialbasicfunction(RBF)neutralnetworkmodelisconstructedtoforecasttheInternettrafficdataflows.Thesimulationresults
showthattheforecastmethodoftheRBFneutralnetworkcomparedwiththeforecastmethodofbackpropagation(BP)neutralnetworkhasfaster
learningcapacityandhigheraccuracyofforecast.
【Keywords】Chaostheory;Phasespacereconstruction;Internetdataflows;RBFneutralnetwork

(1)
对通信网络数据流的预测，传统的方法有数理统计；现(2)ρ(x,y)=ρ1(ϕ(x),ϕ(y))(∀x,y∈N)
[1]
代的方法有基于FARIMA(p,dq)模型预测方法；C.Bor-Sen，则称(N,ρ),(N1,ρ1)是等距同构的。
Y.Yn-Shuang[2][10]
模糊自适应预测方法；基于分数整合滑动平均定义2如果(N1,ρ1)与另一度量空间(N2,ρ2)的
模型的预测方法[3,4]；利用模糊判断规则来预测网络流量的方
子空间(N0,ρ2)是等距同构的，则称(N1,ρ1)可以嵌入
法[5]。目前用混沌动力学处理时间序列问题是一个热点，在

(N2,ρ2)。
许多领域得到或开始得到应用，如湍流、生物学、经济等[6]。
Takens定理[9]：M是d维流形，ϕ:M→M，是一个光滑的
但基于混沌方法研究网络数据流的文献较少，已有的研究仍
微分同胚。y:M→R，有二阶连续导函数，φ(ϕ,y):M→R2d+1，
停留在网络数据流的混沌特性，这就启发笔者对网络数据流

进行研究，探索基于混沌理论的网络数据流预测新方法。文其中
22d+1
献[7]证明Internet网络中存在着以自相似性为特征的业务流，φϕ(,yy)=((x),y(ϕ(x)),y(ϕ(x)),K,y(ϕ(x)))，则φ(ϕ,y)
2d+1
文献[8]已证明自相似性与混沌性之间存在着紧密联系，某些是M到R的一个嵌入。
特征量具有相同的值，这为研究网络数据流特性模型开启了对原始时间序列X1，X2，…,XN，根据Takens定理可以找
新的途径。本文基于Takens[9]关于混沌时间序列的重构相空到一个合适的嵌入维m≥2d+1，d是混沌