基于MBP網絡的RTT預測算法

圖1所示，RTT在網絡比較忙的時候，有極強的波動性，用BP網絡作為RTT智能預測器，采用低通濾波和BP網絡相結合的算法，預測曲線有太多毛刺，在RTT值突變更大的情況下，極容易出現失控現象。由于BP網絡是一種全反傳式的前向網絡，所以BP網絡學習算法的收斂速度很慢，即只要存在誤差反傳信號，網絡所有層的權值將會統一修正，這樣就會拖延學習時間。如果在修正神經網絡的誤差反傳權值時增加一個協調器，該協調器把全反傳式網絡變成了局部反傳式網絡，則可大大提高網絡學習速率。對網絡的靈敏度的分析決定了協調器的協調方法，這里我們選用滑動濾波算法和降低網絡靈敏度的MBP算法相結合的策略，設計新的智能RTT預測器。

定義：是由信號的各種變化及擾動引起的網絡輸出變化，為網絡輸入，權值變化及辨識系統變化引起的總和誤差。對第i樣本，神經網絡辨識器的靈敏度定義：

降低神經網絡靈敏度的一種方法：

定理：在網絡輸入擾動、網絡參數變化或被辨識系統參數變化時，根據系統在被辨識過程中的誤差，動態地控制神經網絡各層權值，特別是最末一級隱層到輸出層的權值矩陣（即輸出層的權值矩陣）修正，可以使網絡輸出的均方差快速減小，從而使網絡靈敏度降低。

所以當網絡參數變化時，降低網絡靈敏度的方法是動態地控制網絡各層，特別是輸出層的權值修正。

（1）在BP學習算法的基礎上，增加一個協調器放在網絡的誤差反向傳播信號線上，用于控制各層權值的修正。

（2）協調器控制網絡輸出層的權值陣隨著網絡的綜合誤差增大而增大。

（3）當訓練誤差為10%≤|e|《20%時，協調器控制網絡輸出層的權值矩陣減小，同時停止其他層權值的修正，使網絡靈敏度降低。

（4）當訓練誤差|e|《10%時，協調器只允許修正靠近網絡輸入層的第一或第二級隱層權值，同時停止修正網絡輸出層的權值陣和其他級隱層權值，網絡靈敏度再降低，使得輸出誤差達到允許值。

通過這種BP網絡改進算法，動態地將全局反向傳播式網絡變成局部反傳式網絡，可以使網絡學習速率大大提高，降低了網絡的靈敏度。

預測模型

由于測試的RTT數據序列是按時間順序排列的，它們之間這種統計意義上的關系不好用確定的函數或方程組來描述。

在用神經網絡對RTT進行預測時，通常的做法是在已掌握的樣本數據之上對網絡進行訓練。假如希望用過去掌握的N（N≥1）個數據去預測未來的M（M≥1）個數據，也就是進行M步預測，取N個相鄰的樣本為滑動窗，并將它們映射為M個值。如表1所示，該表把訓練數據分成K段長度為（N+M）而且有一定重疊的數據段，每一段的前N個數據作為網絡的輸入，后M個數據作為網絡的輸出。

實驗結果

在本次實驗中，選擇的網絡訓練樣本是前140個RTT數據，其中每5個數據一組，作為神經網絡的輸入向量，第6個數據作為目標向量，即取N=5，M=1，這樣可以得到135組訓練樣本。網絡的測試樣本用136～200之間的數據。

設計神經網絡具有2個隱層，節點數目分別為3-9-9-1，在網絡比較忙的時候，預測結果和預測誤差如下：

在網絡比較忙的情況下，用BP網絡和FMBP網絡進行預測相比，最后10個預測值的預測誤差見表2.

網絡類型預測誤差：

DMBP1.245-0.300-1.528-0.913-0.125

可見，在網絡比較忙的情況下，用本文的預測算法依然可以使預測結果達到比較滿意的程度。

本文采用低通濾波和MBP網絡結合的算法對RTT進行預測，得到了不錯的結果。即使在網絡比較忙的情況下，也可以使預測結果達到比較滿意的程度。由于程序運行開始， RTT存在一個低通濾波的過程，會有一些短期的振蕩，但這并不影響算法的有效性。