[发明专利]基于BP神经网络的认知网络性能预测方法及装置

说明书

技术领域

本发明涉及一种认知网络性能预测方法及装置，尤其涉及一种基于BP神经网络的认知网络性能预测方法及装置。

背景技术

随着各种业务的增加和用户要求的提高，网络管理和控制将是一项难题。为了更好的管理和控制网络，改善网络服务质量（QoS），引入了认知网络的概念。

认知网络是在认知无线电的基础上提出的，将认知的概念从无线单跳连接扩展至整个网络，是一种具有认知功能的网络。它能够感知网络状况并据此进行决策、推理、学习并采取适当行动。认知网络试图将智能决策引入到网络中，使网络具有自管理、自学习、自优化的能力，以期望在网络环境变化的时候能够通过推理，自适应的主动做出反应，从而真正实现网络的可控制、可管理、可信任。

传统的网络只能在环境改变或故障（问题）出现后被动做出反应，认知网络的优越性在于它能在网络环境变化的时候自适应主动做出反应，能够在网络状况变坏以前就采取措施，以防止这种情况的出现。因此，对下一时刻网络状况的评估预测对于认知网络来说十分重要。通过已知的参数推理得出的网络性能参数，是网络状态评估的重要依据，也是认知网络自主决策的基础。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于BP神经网络的认知网络性能预测方法及装置，具有更准确的预测结果。

本发明具体采用以下技术方案：

基于BP神经网络的认知网络性能预测方法，根据认知网络当前的网络参数，对未来时刻的认知网络性能参数进行预测；该方法以认知网络的协议栈参数和性能参数作为输入，利用BP神经网络进行认知网络性能预测；所述BP神经网络按照以下方法训练得到：

   步骤1、采集认知网络的协议栈参数和性能参数，并对其进行归一化处理，得到训练样本；

步骤2、构建三层BP神经网络，其中输入层节点数为N-1，输出层节点数为1；N为所采集的认知网络的协议栈参数和性能参数的种类数；隐层节点数按照以下方法确定：以误差平方和的均值为准确度评价指标，通过循环测试，选取使得误差平方和均值最小的隐层节点数；

步骤3、初始参数选择；

步骤4、利用步骤1中得到的训练样本对所构建的三层BP神经网络进行训练，得到训练后的BP神经网络。

所述归一化处理是指按照以下公式将所有样本数据变换到(0,1)的范围内：

其中，和分别为原始样本数据中的最大值和最小值，为原始样本数据，为变换后的数值。

所述初始参数包括学习速率、初始权值、循环次数，其中学习速率取值范围为(0.01，0.8)，初始权值选取(-1,1)之间均匀分布的随机数，循环次数由步骤2中的循环测试确定。

优选地，所述协议栈参数包括平均队列长度、端到端往返时延和TCP窗口大小；所述性能参数包括时延、抖动、吞吐量、丢包率、丢包数。

所述步骤4具体包括：

步骤401、将经过预处理的样本输入到BP神经网络；

步骤402、进行参数初始化设置，包括最大训练次数、训练目标、隐层节点数、初始权值、阈值、初始学习速率；

步骤403、计算各层的输入输出值，计算各层的误差；

步骤404、根据自适应学习速率算法修正神经网络的权值和阈值；

步骤405、如达到训练目标或训练次数大于预设的最大训练次数，则停止训练；如否，则返回步骤404。

基于BP神经网络的认知网络性能预测装置，该装置包括按信号流向依次连接的信息感知模块、数据预处理模块、预测模块；

所述信息感知模块用于实时采集认知网络的协议栈参数和性能参数，并将数据传输至数据预处理模块，所述协议栈参数包括平均队列长度、端到端往返时延和TCP窗口大小；所述性能参数包括时延、抖动、吞吐量、丢包率、丢包数；

所述数据预处理模块对接收到的数据进行归一化处理并将处理后的数据传送至预测模块；所述归一化处理是指按照以下公式将所有样本数据变换到(0,1)的范围内：

其中，和分别为原始样本数据中的最大值和最小值，为原始样本数据，为变换后的数值；

所述预测模块将数据预处理模块传送的数据作为输入，利用预先训练好的BP神经网络进行预测，得到未来时刻认知网络的网络参数；所述BP神经网络按照以下方法训练得到：

    步骤1、采集认知网络的协议栈参数和性能参数，并对其进行归一化处理，得到训练样本；