基于蝙蝠算法优化反向传播神经网络模型的无线网络流量预测

雩风三日

基于蝙蝠算法优化反向传播神经网络模型的无线网络流量预测

       针对无线网络流量数据预测精度不高问题,提出一种基于蝙蝠算法(BA)优化的反向传播(BP)神经网络的分类预测模型——BABP。通过采用蝙蝠算法对 BP 神经网络模型的初始权值与阈值进行全局寻优,构建崭新的基于蝙蝠算法优化的神经网络模型。并通过与传统寻优算法遗传算法(GA)与粒子群优化(PSO)算法的神经网络模型比较,在无线网络流量数据的分类预测和稳定性方面,提出的 BABP 模型要优于 GABP(Genetic Algorithm BP)模型、PSOBP(Particle Swarm Optimization BP)模型;同时,无论迭代次数的多与少,BABP 均有比 GABP、PSOBP 算法更快地收敛。实验结果表明,BABP 模型在预测精度、寻优速度以及模型稳定性等方面均比 GABP、PSOBP 模型更具优势。
1 q) _/ x/ t0 N# y5 Y
# o: V7 ?8 E; m) p0 K关键词: 网络流量;反向传播神经网络;蝙蝠算法;遗传算法;预测


) h) x7 X6 k+ [3 M
" q8 |! f$ s& Z1 ^