資源描述：
《基于支持向量機的網(wǎng)絡參數(shù)模型研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在工程資料-天天文庫。
1、基于支持向量機的網(wǎng)絡參數(shù)模型研究王啟明，鄭均輝（平頂山學院計算機科學與技術學院，河南平頂山467002）摘要：使用模糊層次分析法對支持向量機的兩個參數(shù)進行尋優(yōu)，并用尋找到的最優(yōu)參數(shù)訓練支持向量機，建立網(wǎng)絡參數(shù)模型。首先使用模糊層次分析法對支持向量機兩個參數(shù)進行尋優(yōu)，然后用尋找到的最優(yōu)參數(shù)訓練支持向量機，最后建立預測模型，預測網(wǎng)絡流量。實驗結果表明，該方法不但可以較好地跟蹤網(wǎng)絡流量變化趨勢，使網(wǎng)絡流量的預測值與實際值非常接近，而且預測誤差變化范圍波動小，是一種有效且預測精度高的網(wǎng)絡參數(shù)模型。.jyqk，GA）、人工魚群算法（ArtificialFishAlgorithm，A
2、FA）、粒子群優(yōu)化（ParticleSOptimization，PSO）算法。例如，王瑞雪研究了一種通過GAFA（全局人工魚群算法）優(yōu)化SVR模型的網(wǎng)絡流量預測方法，但是AFA優(yōu)化的SVR預網(wǎng)絡流量預測方法，結果不穩(wěn)定[8]。曾偉等研究了采用粒子群優(yōu)化算法優(yōu)化SVM預測模型，研究表明提高了SVM模型的預測精度，但預測的穩(wěn)定性依然不高，并且容易陷入局部極值[9]。Lu預測模型，由于遺傳算法的固有缺點，效果也不盡理想[10]。針對當前網(wǎng)絡流量非線性時變、混沌等特點，本文研究對SVM預測模型進行改進，使用模糊層次分析法對SVM進行參數(shù)尋優(yōu)，并用尋找到的最優(yōu)參數(shù)訓練SVM，建立預
3、測模型。1支持向量機參數(shù)選擇問題設給定樣本集{(x1,y1),-,(xi,yi),-,(xn,yn)}。其中xi∈Rn表示輸入變量；yi∈{+1,-1}為輸出變量，分兩類問題；n為學習樣本數(shù)。φ(x)為非線性映射函數(shù)，最優(yōu)分類超平面構造如下[11-13]：對非線性分類問題，引入核函數(shù)k(xi,xj)將式（1）變換為：為簡化SVM參數(shù)優(yōu)化，選擇徑向基函數(shù)（RBF）（只需確定一個參數(shù)σ）作為SVM的核函數(shù)。因此要獲取性能優(yōu)越的SVM，需要選取最合適的σ和C，因此SVM參數(shù)優(yōu)化的數(shù)學模型為：SVM參數(shù)優(yōu)化目標函數(shù)定義為SVM預測模型預測網(wǎng)絡流量的正確率（G），SVM預測模型參數(shù)
4、的優(yōu)化問題描述如下：約束條件為：式（6）是一個兩個參數(shù)組合優(yōu)化問題。2模糊層次分析法優(yōu)化SVM參數(shù)2.1采用層次分析法確定σ和C參數(shù)權重首先利用層次分析法[13]確定σ和C參數(shù)的權重，首先構造判斷矩陣C=(cij)n×n，其中cij表示因素i和因素j相對相標的重要性程度值，且cij>0；cij=cji；當i=j時，則cij=1。各參數(shù)的相對權重參數(shù)評估流程如圖1所示。按照圖1中的首先構建評估指標體系，對σ和C參數(shù)進行分析，并結合實際情況建立判斷舉證，對各評估參數(shù)進行綜合評估，最后輸出參數(shù)選擇結果。3結語本文對SVM預測模型進行改進，使用模糊層次分析法對SVM的兩個參
5、數(shù)進行尋優(yōu)，并用尋找到的最優(yōu)參數(shù)訓練SVM，建立預測模型，預測網(wǎng)絡流量。實驗表明，該方法是一種預測精度高、有效的網(wǎng)絡流量預測方法。簡介：王啟明（1980—），男，河南魯山人，講師，碩士。研究方向為軟件工程算法和物聯(lián)網(wǎng)。.jyqkodelbasedonauto-regressivemovingaverage[J].JournalofNet-entof-odel[J].puterEngineeringandDe-sign，2012，33（3）：865-869.[3]XIONGNan，LIUBai-feng.OnlineoptimizationLSSVM[J].Jour-nal
6、ofputerapplicationsandsoftodelbasedonCatfish-PSO-SVM[J].JournalofNeteon.Enhancingalydetectionviastatisticalunications，2006，29（10）：1627-1638.[6]CHANGBao-bong，TSAIHsiuFen.Improvingodelprediction[J].ExpertSystemsing，HUDa-min.parativestudyontimeseriesofodel[J].JournalofElectronics，2009，5（11）：
7、2353-2359.[8]anychildrenpopulationPSOtooptimizetheSVMetersofodeljointlyoptimizedbygeicalgorithm[J].JournalofNet-a-tionbasedonquantum-behavedparticlesoptimization[J].JournalofInformationputationalScience，2010，7（5）：1059-1064.[12]QINHS，classificationbasedonNGA[J].Lectu
