[發明專利]基于BP神經網絡的認知網絡性能預測方法及裝置

無效

• 申請號: 201110452125.4
• 申請日: 2011-12-30
• 公開（公告）號: CN102592171A
• 公開（公告）日: 2012-07-18
• 發明（設計）人: 孫雁飛;亓晉;李施;朱磊
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 許方

1.基于BP神經網絡的認知網絡性能預測方法，根據認知網絡當前的網絡參數，對未來時刻的認知網絡性能參數進行預測；其特征在于，該方法以認知網絡的協議棧參數和性能參數作為輸入，利用BP神經網絡進行認知網絡性能預測；所述BP神經網絡按照以下方法訓練得到：

???步驟1、采集認知網絡的協議棧參數和性能參數，并對其進行歸一化處理，得到訓練樣本；

步驟2、構建三層BP神經網絡，其中輸入層節點數為N-1，輸出層節點數為1；N為所采集的認知網絡的協議棧參數和性能參數的種類數；隱層節點數按照以下方法確定：以誤差平方和的均值為準確度評價指標，通過循環測試，選取使得誤差平方和均值最小的隱層節點數；

步驟3、初始參數選擇；

步驟4、利用步驟1中得到的訓練樣本對所構建的三層BP神經網絡進行訓練，得到訓練后的BP神經網絡。

2.如權利要求1所述基于BP神經網絡的認知網絡性能預測方法，其特征在于，所述協議棧參數包括平均隊列長度、端到端往返時延和TCP窗口大小；所述性能參數包括時延、抖動、吞吐量、丟包率、丟包數。

3.如權利要求1所述基于BP神經網絡的認知網絡性能預測方法，其特征在于，所述歸一化處理是指按照以下公式將所有樣本數據變換到(0,1)的范圍內：

其中，和分別為原始樣本數據中的最大值和最小值，為原始樣本數據，為變換后的數值。

4.如權利要求1所述基于BP神經網絡的認知網絡性能預測方法，其特征在于，所述初始參數包括學習速率、初始權值、循環次數，其中學習速率取值范圍為(0.01，0.8)，初始權值選取(-1,1)之間均勻分布的隨機數，循環次數由步驟2中的循環測試確定。

5.如權利要求1所述基于BP神經網絡的認知網絡性能預測方法，其特征在于，所述步驟4具體包括：

步驟401、將經過預處理的樣本輸入到BP神經網絡；

步驟402、進行參數初始化設置，包括最大訓練次數、訓練目標、隱層節點數、初始權值、閾值、初始學習速率；

步驟403、計算各層的輸入輸出值，計算各層的誤差；

步驟404、根據自適應學習速率算法修正神經網絡的權值和閾值；

步驟405、如達到訓練目標或訓練次數大于預設的最大訓練次數，則停止訓練；如否，則返回步驟404。

6.如權利要求1所述基于BP神經網絡的認知網絡性能預測方法，其特征在于，對BP神經網絡進行訓練采用Levenberg-Marquadt反傳算法。

7.基于BP神經網絡的認知網絡性能預測裝置，其特征在于，該裝置包括按信號流向依次連接的信息感知模塊、數據預處理模塊、預測模塊；

所述信息感知模塊用于實時采集認知網絡的協議棧參數和性能參數，并將數據傳輸至數據預處理模塊，所述協議棧參數包括平均隊列長度、端到端往返時延和TCP窗口大小；所述性能參數包括時延、抖動、吞吐量、丟包率、丟包數；

所述數據預處理模塊對接收到的數據進行歸一化處理并將處理后的數據傳送至預測模塊；所述歸一化處理是指按照以下公式將所有樣本數據變換到(0,1)的范圍內：

其中，和分別為原始樣本數據中的最大值和最小值，為原始樣本數據，為變換后的數值；

所述預測模塊將數據預處理模塊傳送的數據作為輸入，利用預先訓練好的BP神經網絡進行預測，得到未來時刻認知網絡的網絡參數；所述BP神經網絡按照以下方法訓練得到：

步驟1、采集認知網絡的協議棧參數和性能參數，并對其進行歸一化處理，得到訓練樣本；

步驟2、構建三層BP神經網絡，其中輸入層節點數為N-1，輸出層節點數為1；N為所采集的認知網絡的協議棧參數和性能參數的種類數；隱層節點數按照以下方法確定：以誤差平方和的均值為準確度評價指標，通過循環測試，選取使得誤差平方和均值最小的隱層節點數；

步驟3、初始參數選擇；

步驟4、利用步驟1中得到的訓練樣本對所構建的三層BP神經網絡進行訓練，得到訓練后的BP神經網絡。