基于人工智能的LAN/WLAN集成网络可靠性研究

论文摘要

在通信网络日趋复杂、综合的情况下，其可靠性研究已经成为网络管理领域必要进行的课题。目前对网络可靠性仍没有一个统一的定义，已有的研究也只是从不同的侧面进行。人工智能技术的迅速发展，为网络可靠性的研究提供了新的途径，本文利用粒子群算法、支持向量机、神经网络，以及随机Petri网，对LAN／WLAN集成网络的可靠性进行了深入的研究，旨在探索有效的、先进的、智能化的通信网络可靠性评估和预测新方法。1．引入了递减指数和迭代阈值，对基本粒子群算法中线性递减权策略公式进行了改进，提出了一种非线性改变惯性权重的粒子群算法。仿真结果表明，改进PSO算法在搜优精度、收敛速度以及稳定性等方面有明显优势。2．基于LAN／WLAN集成网络提出一种定义通信网络可靠性的新方法。并利用改进后的粒子群算法对BP神经网络权值的选取进行优化，建立了LAN／WLAN集成网络可靠性的预测模型。3．将支持向量回归方法应用于LAN／WLAN集成网络可靠性预测中，通过建立SVM模型对可靠性进行预测。4．基于随机Petri网模型对LAN／WLAN集成网络系统进行了建模，计算出了LAN／WLAN集成网络系统的一系列性能指标。本文对三种可靠性预测模型(BP神经网络、改进PSO算法优化后的BP神经网络、SVM回归模型)进行了仿真实验，并比较了它们的优缺点。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景
• 1.2 课题研究的目的和意义
• 1.3 LAN/WLAN集成网络的组成及特点
• 1.4 网络可靠性研究的现状及其发展
• 1.4.1 可靠性定义研究
• 1.4.2 可靠性指标研究
• 1.4.3 可靠性分析方法研究
• 1.4.4 网络可靠性研究的发展趋势
• 1.5 本论文采用的理论方法和主要研究内容
• 第二章 一种非线性改变惯性权重的粒子群算法
• 2.1 概述
• 2.2 基本PSO算法
• 2.2.1 基本PSO算法原理
• 2.2.2 基本PSO算法流程
• 2.2.3 基本PSO算法分析
• 2.3 一种非线性改变惯性权重的粒子群算法
• 2.3.1 问题的提出
• 2.3.2 算法描述
• 2.3.3 函数优化实验及结果分析
• 2.4 本章小结
• 第三章 基于PSO-BP算法的LAN/WLAN集成网络可靠性预测
• 3.1 概述
• 3.1.1 BP神经网络的基本原理和流程
• 3.1.2 BP神经网络存在的问题
• 3.1.3 一种基于PSO的BP神经网络改进算法
• 3.2 用PSO-BP算法预测LAN/WLAN集成网络的可靠性
• 3.2.1 定义
• 3.2.2 预测模型
• 3.2.3 实验设计
• 3.2.4 结果分析与比较
• 3.3 本章小结
• 第四章 基于SVM的LAN/WLAN集成网络可靠性预测模型
• 4.1 统计学习理论与支持向量机
• 4.1.1 机器学习及经验风险最小化
• 4.1.2 统计学习理论及结构风险最小化
• 4.1.3 标准支持向量分类机
• 4.1.4 支持向量回归学习机
• 4.2 基于支持向量回归估计的LAN/WLAN集成网络可靠性预测模型
• 4.2.1 常用的模型形式及模型参数选择
• 4.2.2 常用的核函数形式及核函数参数选择
• 4.2.3 回归模型的训练
• 4.3 实验及其结果分析与比较
• 4.3.1 建立样本及实验设计
• 4.3.2 参数选择
• 4.3.3 精度衡量标准
• 4.3.4 结果分析与比较
• 4.4 本章小结
• 第五章 基于Petri网的LAN/WLAN集成网络建模及其可靠性评估
• 5.1 随机Petri网的基本原理及建模流程
• 5.1.1 随机Petri网的基本原理
• 5.1.2 随机Petri网的建模流程
• 5.2 基于SPN对LAN/WLAN集成网络建模
• 5.2.1 LAN/WLAN系统描述
• 5.2.2 基于SPN对LAN/WLAN建模
• 5.2.3 SPN模型的可达树及可达图
• 5.2.4 同构马尔可夫链
• 5.3 RTS/CTS机制下的性能分析及计算结果
• 5.4 本章小结
• 第六章 总结与展望
• 参考文献
• 攻读硕士学位期间发表和录用的论文
• 致谢
• 个人简况及联系方式