基于MEEMD-PE与CS-WNN模型的网络时延预测

发布时间：2024-06-29 09:52

　　针对网络控制系统诱导时延具有的随机性、非平稳性、非线性等特点,提出了一种基于改进的集总平均经验模态分解(modified ensemble empirical mode decomposition,MEEMD)-排列熵和布谷鸟搜索(cuckoo search,CS)优化的小波神经网络(wavelet neural network,WNN)时延预测算法。首先通过MEEMD对网络诱导时延序列进行处理,分别计算各模态的排列熵值,对复杂度相近的模态进行重组后得到新的子序列,从而达到降低建模复杂度和减少计算量的目的;然后利用CS算法优化的WNN预测新的子序列;最后叠加各子序列预测结果以获得时延序列的最终预测值。仿真表明,该算法具有较好的预测精度,能反映时延序列的总体趋势,可有效地降低异常值影响等优点。

【文章页数】：7 页

【部分图文】：

图1网络时延序列

某实验室（172.20.10.5）为源地址，向目标地址（111.13.100.92）每分钟发送一次32位数据包，持续两天，截取其中的一段数据，每隔10个值采样一次，测得500组时延数据，网络时延序列如图1所示。由于网络时延序列固有的强非平稳性和高复杂性，单一预测模型很难捕获其特征....

图2WNN拓扑结构图

三层WNN模型的拓扑结构如图2所示。图2中，Xi(i=1,2，…，t）是WNN的输入参数，Y是预测输出序列，wij为输入层和隐含层的连接权值，wjk为隐含层和输出层的连接权值。在输入信号序列为xi(i=1,2，…，k）时，隐含层的输出计算公式为

图3时延序列EMD处理结果

图1所示实测网络时延数据具有较强的非平稳性和非线性，为了更全面掌握原始时延序列特征，分别采用EMD和MEEMD对时延序列分解，生成一系列不同尺度IMF分量和剩余分量Res如图3和图4所示。图4时延序列MEEMD处理结果

图4时延序列MEEMD处理结果

图3时延序列EMD处理结果本文分别从完备性、整体正交性和分量数目3个指标对EMD与MEEMD分解结果进行分析。完备性指标也叫重构误差，指分解后的各模态函数之和与原始序列的均方根误差，完备性指标值越大则完备性越差；整体正交性指标，是衡量模态混叠程度的指标，整体正交性指标值越大，则....

本文编号：3997449