基于快速收敛神经网络算法的预测模型设计

朱巍

摘 要：本文将预测分析理论引入网络运行管理中，在运用多种数学模型和专家经验分析对网络运行指标数据进行分析、预测和适应性评价的基础上，本文提供了一个新的预测模型—收敛神经网络算法，该模型和传统预测模型相比具有更好的准确性和实效性。

关键词：网络管理；预测；神经网络

1 引言

预测是对事物的发展趋势及其影响做出估计和判断。在机械工业中，预测技术多用于市场需求预测和采用新技术的发展预测。传统的预测方法和手段比较简单。20世纪60年代以来，科学技术的进步为预测提供了比较可靠的科学方法和手段。预测技术应用的步骤是：确定预测目标；收集和处理有关的信息和情报资料；建立预测模型；分析评价；修正预测值等。在通信网管理中应用预测分析技术，能够全面分析网络运行状态，帮助决策者从宏观上掌握网络运行的基本情况和变化趋势，有效的了解通信网系的运行质量和保障能力，从而为通信管理部门科学调整通信网络组织、合理运用网络资源提供依据，进一步促进通信网保障能力的提高。

2 预测方法的相关技术研究

为使网络运行指标预测取得良好的效果，在预测前应反复认真地分析和研究所收集的各种有关资料，对不完整和不适用的资料进行必要的补充、推算和调整，以保证资料的完整性和可靠性。预测中应密切注意定性分析和定量计算相结合，专家经验和数学模型相结合，长期规划和中、近期目标相结合。同一指标需经多种预测方法相互验证，进行修正。调整后，选择比较接近实际的合理结果。

目前，预测技术和方法多种多样，各种方法都是出自不同角度考虑问题，故有一定的优点和缺陷。预测时，遵照决策者的指导思想，根据实际情况选择恰当的模型和计算方法。根据军事通信网络运行质量的实际情况，采用时间序列模型、增长曲线模型、指数平滑模型、灰色系统模型和多元回归分析模型等多种模型进行预测。

3 基于快速收敛神经网络算法的预测模型设计

3.1 神经网络算法

BP（Back Propagation）神经网络又称为多层前馈神经网络，其结构如图1所示。这种网络不仅有输入层结点，输出层结点，而且有一层或多层隐含结点。对于输入信息，要先向前传播到隐含层结点上，经过各单元的特性为Sigmoid型的激活函数运算后，把隐含结点的输出信息传播到输出结点，最后给出输出结果。网络的学习过程由正向和反向传播两部分组成。在正向传播过程中，每一层神经元的状态只影响下一层神经元网络。如果输出层不能得到期望输出，就是实际输出值与期望输出值之间有误差，那么转入反向传播过程，将误差信号沿原来的传播通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，再经过正向传播过程，这两个过程的反复运用，使得误差信号最小。实际上，误差达到人们所希望的要求时，网络的学习过程就结束[1]。

综上所述，BP神经网络的主要特点是，各层神经元仅与相邻层神经元之间有连接，各层内神经元之间无任何连接，各层神经元之间无反馈连接，其输入与输出关系是一个高度非线性映射关系，如果输入结点数为，输出结点数为，则BP网络是从 维欧氏空间到 维欧氏空间的映射。因此，我们可以将用于军事通信网运行质量评估的各指标属性值进行归一化处理后作为BP网络模型的输入向量，将评估结果作为BP网络模型的输出，用足够多的样本训练这个网络，使其获取评估专家的经验、知识、主观判断及其对指标重要性的倾向，这样BP网络模型所具有的那组权系数值便是网络经过自适应学习所得到的正确知识内部表示，训练好的BP网络模型根据待评估的军事通信网运行质量各指标的属性值，就可得到对军事通信网运行质量的评估结果，再现专家的经验、知识、主观判断及其对指标重要性的倾向，实现定性与定量的有效结合，保证评估的客观性和一致性。

BP算法虽然在运行质量预测分析方面有很好的优势，但是由于其算法的收敛速度太慢，一方面不满足实际工程的需求；另一方面也很难满足我军通信管理实时性的要求。为此，本文提出了改进后的预测算法——快速收敛神经网络算法（Fast Convergence Back Propagation，FCBP）进一步提高了收敛速度。

3.2 快速收敛神经网络算法的实现

快速收敛神经网络算法（Fast Convergence Back Propagation，FCBP）是在BP神经网络的基础上，结合通信网运行质量预测分析的实际需求所设计的，它的设计不仅提高了预测分析的精度，而且便于实现。

设L为网络层数，Nk为第k层神经元数（k=1，2，…，L），N0为输入端数目，λ为遗忘因子， 为第k层第i个神经元输出， 为第k层第i个神经元输入且取值如下：

⑴当 时， ；

⑵当 时， ；

⑶当 时， 。

为第k层第i个神经元期望输出， 为第k层第i个神经元误差。FCBP算法是从多层前向网络推导而来，在最小平方的递归执行中，引入一个误差性能测度 。

推导后可以得到改进的FCBP算法：

式中 为单位矩阵，

其中， 或任意随机数。

改进的FCBP算法由直接推导得到，存在显式解，且不存在近似误差，理论上该算法能收敛到零，因此说明改进的算法比经典BP算法预测精度高。

[参考文献]

[1]http：//www.ietf.org.

[2]http：//www.iso.org.

[3]http：//www.omg.org.

[4]Jia Lianxing，Zhu Wei，Zhai Chenggong.Research on an Integrated Network Management System[C].Eighth ACIS International Conference on Software Engineering， Artificial Intelligence，Networking，and Parallel/Distributed Computing， Qidao，China，July 2007.

[5]Zhu Wei，Liu Ningning，Shan Weifeng.Design of the Next Generation Military Network Management System based on NETCONF[C].Fifth International Conference on Information Technology：New Generations，Las Vegas，American，April，2008.endprint

摘 要：本文将预测分析理论引入网络运行管理中，在运用多种数学模型和专家经验分析对网络运行指标数据进行分析、预测和适应性评价的基础上，本文提供了一个新的预测模型—收敛神经网络算法，该模型和传统预测模型相比具有更好的准确性和实效性。

关键词：网络管理；预测；神经网络

1 引言

预测是对事物的发展趋势及其影响做出估计和判断。在机械工业中，预测技术多用于市场需求预测和采用新技术的发展预测。传统的预测方法和手段比较简单。20世纪60年代以来，科学技术的进步为预测提供了比较可靠的科学方法和手段。预测技术应用的步骤是：确定预测目标；收集和处理有关的信息和情报资料；建立预测模型；分析评价；修正预测值等。在通信网管理中应用预测分析技术，能够全面分析网络运行状态，帮助决策者从宏观上掌握网络运行的基本情况和变化趋势，有效的了解通信网系的运行质量和保障能力，从而为通信管理部门科学调整通信网络组织、合理运用网络资源提供依据，进一步促进通信网保障能力的提高。

2 预测方法的相关技术研究

为使网络运行指标预测取得良好的效果，在预测前应反复认真地分析和研究所收集的各种有关资料，对不完整和不适用的资料进行必要的补充、推算和调整，以保证资料的完整性和可靠性。预测中应密切注意定性分析和定量计算相结合，专家经验和数学模型相结合，长期规划和中、近期目标相结合。同一指标需经多种预测方法相互验证，进行修正。调整后，选择比较接近实际的合理结果。

目前，预测技术和方法多种多样，各种方法都是出自不同角度考虑问题，故有一定的优点和缺陷。预测时，遵照决策者的指导思想，根据实际情况选择恰当的模型和计算方法。根据军事通信网络运行质量的实际情况，采用时间序列模型、增长曲线模型、指数平滑模型、灰色系统模型和多元回归分析模型等多种模型进行预测。

3 基于快速收敛神经网络算法的预测模型设计

3.1 神经网络算法

BP（Back Propagation）神经网络又称为多层前馈神经网络，其结构如图1所示。这种网络不仅有输入层结点，输出层结点，而且有一层或多层隐含结点。对于输入信息，要先向前传播到隐含层结点上，经过各单元的特性为Sigmoid型的激活函数运算后，把隐含结点的输出信息传播到输出结点，最后给出输出结果。网络的学习过程由正向和反向传播两部分组成。在正向传播过程中，每一层神经元的状态只影响下一层神经元网络。如果输出层不能得到期望输出，就是实际输出值与期望输出值之间有误差，那么转入反向传播过程，将误差信号沿原来的传播通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，再经过正向传播过程，这两个过程的反复运用，使得误差信号最小。实际上，误差达到人们所希望的要求时，网络的学习过程就结束[1]。

综上所述，BP神经网络的主要特点是，各层神经元仅与相邻层神经元之间有连接，各层内神经元之间无任何连接，各层神经元之间无反馈连接，其输入与输出关系是一个高度非线性映射关系，如果输入结点数为，输出结点数为，则BP网络是从 维欧氏空间到 维欧氏空间的映射。因此，我们可以将用于军事通信网运行质量评估的各指标属性值进行归一化处理后作为BP网络模型的输入向量，将评估结果作为BP网络模型的输出，用足够多的样本训练这个网络，使其获取评估专家的经验、知识、主观判断及其对指标重要性的倾向，这样BP网络模型所具有的那组权系数值便是网络经过自适应学习所得到的正确知识内部表示，训练好的BP网络模型根据待评估的军事通信网运行质量各指标的属性值，就可得到对军事通信网运行质量的评估结果，再现专家的经验、知识、主观判断及其对指标重要性的倾向，实现定性与定量的有效结合，保证评估的客观性和一致性。

BP算法虽然在运行质量预测分析方面有很好的优势，但是由于其算法的收敛速度太慢，一方面不满足实际工程的需求；另一方面也很难满足我军通信管理实时性的要求。为此，本文提出了改进后的预测算法——快速收敛神经网络算法（Fast Convergence Back Propagation，FCBP）进一步提高了收敛速度。

3.2 快速收敛神经网络算法的实现

快速收敛神经网络算法（Fast Convergence Back Propagation，FCBP）是在BP神经网络的基础上，结合通信网运行质量预测分析的实际需求所设计的，它的设计不仅提高了预测分析的精度，而且便于实现。

设L为网络层数，Nk为第k层神经元数（k=1，2，…，L），N0为输入端数目，λ为遗忘因子， 为第k层第i个神经元输出， 为第k层第i个神经元输入且取值如下：

⑴当 时， ；

⑵当 时， ；

⑶当 时， 。

为第k层第i个神经元期望输出， 为第k层第i个神经元误差。FCBP算法是从多层前向网络推导而来，在最小平方的递归执行中，引入一个误差性能测度 。

推导后可以得到改进的FCBP算法：

式中 为单位矩阵，

其中， 或任意随机数。

改进的FCBP算法由直接推导得到，存在显式解，且不存在近似误差，理论上该算法能收敛到零，因此说明改进的算法比经典BP算法预测精度高。

[参考文献]

[1]http：//www.ietf.org.

[2]http：//www.iso.org.

[3]http：//www.omg.org.

[4]Jia Lianxing，Zhu Wei，Zhai Chenggong.Research on an Integrated Network Management System[C].Eighth ACIS International Conference on Software Engineering， Artificial Intelligence，Networking，and Parallel/Distributed Computing， Qidao，China，July 2007.

[5]Zhu Wei，Liu Ningning，Shan Weifeng.Design of the Next Generation Military Network Management System based on NETCONF[C].Fifth International Conference on Information Technology：New Generations，Las Vegas，American，April，2008.endprint

摘 要：本文将预测分析理论引入网络运行管理中，在运用多种数学模型和专家经验分析对网络运行指标数据进行分析、预测和适应性评价的基础上，本文提供了一个新的预测模型—收敛神经网络算法，该模型和传统预测模型相比具有更好的准确性和实效性。

关键词：网络管理；预测；神经网络

1 引言

预测是对事物的发展趋势及其影响做出估计和判断。在机械工业中，预测技术多用于市场需求预测和采用新技术的发展预测。传统的预测方法和手段比较简单。20世纪60年代以来，科学技术的进步为预测提供了比较可靠的科学方法和手段。预测技术应用的步骤是：确定预测目标；收集和处理有关的信息和情报资料；建立预测模型；分析评价；修正预测值等。在通信网管理中应用预测分析技术，能够全面分析网络运行状态，帮助决策者从宏观上掌握网络运行的基本情况和变化趋势，有效的了解通信网系的运行质量和保障能力，从而为通信管理部门科学调整通信网络组织、合理运用网络资源提供依据，进一步促进通信网保障能力的提高。

2 预测方法的相关技术研究

为使网络运行指标预测取得良好的效果，在预测前应反复认真地分析和研究所收集的各种有关资料，对不完整和不适用的资料进行必要的补充、推算和调整，以保证资料的完整性和可靠性。预测中应密切注意定性分析和定量计算相结合，专家经验和数学模型相结合，长期规划和中、近期目标相结合。同一指标需经多种预测方法相互验证，进行修正。调整后，选择比较接近实际的合理结果。

目前，预测技术和方法多种多样，各种方法都是出自不同角度考虑问题，故有一定的优点和缺陷。预测时，遵照决策者的指导思想，根据实际情况选择恰当的模型和计算方法。根据军事通信网络运行质量的实际情况，采用时间序列模型、增长曲线模型、指数平滑模型、灰色系统模型和多元回归分析模型等多种模型进行预测。

3 基于快速收敛神经网络算法的预测模型设计

3.1 神经网络算法

BP（Back Propagation）神经网络又称为多层前馈神经网络，其结构如图1所示。这种网络不仅有输入层结点，输出层结点，而且有一层或多层隐含结点。对于输入信息，要先向前传播到隐含层结点上，经过各单元的特性为Sigmoid型的激活函数运算后，把隐含结点的输出信息传播到输出结点，最后给出输出结果。网络的学习过程由正向和反向传播两部分组成。在正向传播过程中，每一层神经元的状态只影响下一层神经元网络。如果输出层不能得到期望输出，就是实际输出值与期望输出值之间有误差，那么转入反向传播过程，将误差信号沿原来的传播通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，再经过正向传播过程，这两个过程的反复运用，使得误差信号最小。实际上，误差达到人们所希望的要求时，网络的学习过程就结束[1]。

综上所述，BP神经网络的主要特点是，各层神经元仅与相邻层神经元之间有连接，各层内神经元之间无任何连接，各层神经元之间无反馈连接，其输入与输出关系是一个高度非线性映射关系，如果输入结点数为，输出结点数为，则BP网络是从 维欧氏空间到 维欧氏空间的映射。因此，我们可以将用于军事通信网运行质量评估的各指标属性值进行归一化处理后作为BP网络模型的输入向量，将评估结果作为BP网络模型的输出，用足够多的样本训练这个网络，使其获取评估专家的经验、知识、主观判断及其对指标重要性的倾向，这样BP网络模型所具有的那组权系数值便是网络经过自适应学习所得到的正确知识内部表示，训练好的BP网络模型根据待评估的军事通信网运行质量各指标的属性值，就可得到对军事通信网运行质量的评估结果，再现专家的经验、知识、主观判断及其对指标重要性的倾向，实现定性与定量的有效结合，保证评估的客观性和一致性。

BP算法虽然在运行质量预测分析方面有很好的优势，但是由于其算法的收敛速度太慢，一方面不满足实际工程的需求；另一方面也很难满足我军通信管理实时性的要求。为此，本文提出了改进后的预测算法——快速收敛神经网络算法（Fast Convergence Back Propagation，FCBP）进一步提高了收敛速度。

3.2 快速收敛神经网络算法的实现

快速收敛神经网络算法（Fast Convergence Back Propagation，FCBP）是在BP神经网络的基础上，结合通信网运行质量预测分析的实际需求所设计的，它的设计不仅提高了预测分析的精度，而且便于实现。

设L为网络层数，Nk为第k层神经元数（k=1，2，…，L），N0为输入端数目，λ为遗忘因子， 为第k层第i个神经元输出， 为第k层第i个神经元输入且取值如下：

⑴当 时， ；

⑵当 时， ；

⑶当 时， 。

为第k层第i个神经元期望输出， 为第k层第i个神经元误差。FCBP算法是从多层前向网络推导而来，在最小平方的递归执行中，引入一个误差性能测度 。

推导后可以得到改进的FCBP算法：

式中 为单位矩阵，

其中， 或任意随机数。

改进的FCBP算法由直接推导得到，存在显式解，且不存在近似误差，理论上该算法能收敛到零，因此说明改进的算法比经典BP算法预测精度高。

[参考文献]

[1]http：//www.ietf.org.

[2]http：//www.iso.org.

[3]http：//www.omg.org.

[4]Jia Lianxing，Zhu Wei，Zhai Chenggong.Research on an Integrated Network Management System[C].Eighth ACIS International Conference on Software Engineering， Artificial Intelligence，Networking，and Parallel/Distributed Computing， Qidao，China，July 2007.

[5]Zhu Wei，Liu Ningning，Shan Weifeng.Design of the Next Generation Military Network Management System based on NETCONF[C].Fifth International Conference on Information Technology：New Generations，Las Vegas，American，April，2008.endprint