一种基于随机映射的网络状态评估方法

赵晋明

doi:10.11959/j.issn.1000-0801.2016224

您当前的位置：

首页 >

文章列表页 >

一种基于随机映射的网络状态评估方法

运营技术广角 | 更新时间：2024-06-05

- 一种基于随机映射的网络状态评估方法
- A network status evaluation method based on random projection
- 电信科学 2016年32卷第8期页码：164-168
- 作者机构：
- 作者简介：
  
  [ "赵晋明（1973-），男，山西省太原市文通电子有限公司研发主管，主要研究方向为网络管理系统的架构和关键算法，具有丰富的理论和工程经验，为中国移动通信集团等运营商解决了大量运维难题，并实现多项关键技术突破。" ]
- 基金信息：
- DOI：10.11959/j.issn.1000-0801.2016224
  中图分类号： TN913.2
- 网络出版日期：2016-08，
  
  纸质出版日期：2016-08-20
- 稿件说明：
移动端阅览
赵晋明. 一种基于随机映射的网络状态评估方法[J]. 电信科学, 2016,32(8):164-168.

Jinming ZHAO. A network status evaluation method based on random projection[J]. Telecommunications science, 2016, 32(8): 164-168.
赵晋明. 一种基于随机映射的网络状态评估方法[J]. 电信科学, 2016,32(8):164-168. DOI： 10.11959/j.issn.1000-0801.2016224.

Jinming ZHAO. A network status evaluation method based on random projection[J]. Telecommunications science, 2016, 32(8): 164-168. DOI： 10.11959/j.issn.1000-0801.2016224.

摘要

近年来，机器学习技术在网络管理领域得到了广泛使用。然而由于通信网络日益复杂，网络中的非线性和不确定因素使得机器学习变得十分困难。为了提升机器学习的效果，提出了一种采用随机映射的人工神经网络方案，其特点是引入机器学习和网络拓扑的随机性，使得神经网络对学习目标具有更大的适应性，并实现更快、更精确的收敛。相关成果已经在中国移动通信集团山西有限公司（以下简称山西移动）的实际网络中得到了应用并取得较好的效果。

Abstract

In recent years，machine learning has been widely used in network management.However，the complexity of the communication network is increasing，nonlinear and uncertain factors in the network make the machine learning more difficult.In order to improve the effect of machine learning，a scheme of artificial nervous network based on random projection was proposed.The characteristic of such scheme was the introduction of randomness in machine learning and network topology，which took the learning process more adaptability，and achieve faster and more accurate convergence.

关键词

Keywords

references

KARUNASINGHE D , LIONG S Y . Chaotic prediction with global model artificial neural network [J ] . Journal of Hydrology , 2006 , 323 ( 1 ): 92 - 105 .

黎明 , 张化光 . 神经网络建模方法研究 [J ] . 自动化学报 , 2002 , 28 ( 1 ): 27 - 33 .

LI M , ZHANG H G . Research of neural network modelling method [J ] . Acta Automatica Sinica , 2002 , 28 ( 1 ): 27 - 33 .

YU H , REINER P D , XIE T , et al . An incremental design of radial basis function network [J ] . IEEE Transactions on Neural Networks and Learning Systems , 2014 , 25 ( 10 ): 1793 - 1083 .

MALL R , SUYKENS J A K . Very sparse LSSVM reductions for large-scale data [J ] . IEEE Transactions on Neural Networks and Learning Systems , 2015 , 26 ( 5 ): 1086 - 1097 .

PEARLMUTTER B A . Gradient calculations for dynamic recurrent neural networks:a survey [J ] . IEEE Transactions on Neural Networks , 1995 , 6 ( 5 ): 1212 - 1228 .

ATIYA A F , PARLOS A G . New results on recurrent network training:unifying the algorithms and accelerating convergence [J ] . IEEE Transactions on Neural Networks , 2000 , 11 ( 3 ): 697 - 709 .

ARRIAGA R I , RUTTER D , CAKMAK M , et al . Visual categorization with random projection [J ] . Neural Computation , 2015 , 27 ( 10 ): 2132 - 2143 .

PAO Y H , TAKEFVJI Y . Functional-link net computing [J ] . IEEE Computer Journal , 1992 , 25 ( 5 ): 76 - 79 .

浏览量

891

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于机器学习的光纤窃听检测方法

基于Transformer模型的社交网络影响力最大化算法

基于可解释机器学习模型的电信行业客户流失预测研究

基于SDWAN承载技术的生态环境厅业务专网升级

基于流量特征重构与映射的物联网DDoS攻击单流检测方法