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
2 M+ y$ X! M8 W
       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。
3 L4 p0 {4 \9 M" U0 o8 S# p4 D# S5 u
3 j- N' W3 q( l6 b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
7 s3 o# ^: g/ A( u2 j8 E

3 b; W3 m8 x- \7 _
$ W8 M# l' Z  ]9 t" M8 E