[发明专利]一种基于低通滤波与MBP网络的RTT智能预测方法及装置

说明书

本发明公开了一种基于低通滤波与MBP网络的RTT智能预测方法及装置，首先通过低通滤波模型对RTT进行滤波处理，能够有效抑制高频噪声，从而保证RTT的稳定性；接着，建立MBP网络模型并利用MBP网络模型对进行滤波后的RTT进行预测估算处理，从而大大提高网络的学习速率，降低网络的灵敏度，从而保证获得良好的预测结果。因此，本发明的基于低通滤波与MBP网络的RTT智能预测方法及装置，能够在网络状况较忙的情况下，也可以获得很好的预测结果。

技术领域

本发明涉及计算机网络领域，特别是一种基于低通滤波与MBP网络的RTT智能预测方法及装置。

背景技术

RTT作为网络拥塞控制的重要参数，能对网络所发生的拥塞作出较早的反映，因此提前预测RTT而获知网络状况是很有必要的。现有的一种方式是采用基于波形平滑指数和波形突变指数的滑动窗口加权平均RTT估计方法，对RTT值进行平滑估计。这种方法利用神经网络对RTT进行了预测，达到了较好的效果，但这仅限于网络比较空闲的状态下，而在网络较拥塞的情况下，预测结果则不太理想。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于低通滤波与MBP网络的RTT智能预测方法及装置，在网络状况较忙的情况下，也能获得很好的预测结果。

本发明解决其问题所采用的技术方案是：

一种基于低通滤波与MBP网络的RTT智能预测方法，包括以下步骤：

S1、建立低通滤波模型对RTT进行滤波处理；

S2、建立MBP网络模型；

S3、利用MBP网络模型对进行滤波后的RTT进行预测估算处理。

进一步，低通滤波模型为：

H_i＝(1-a)×f+a×H_i-1

其中，H_i为本次滤波结果，f为本次采样值，H_i-1为上次滤波结果；a为常数，取值范围在0－1之间。

进一步，步骤S2中建立MBP网络模型，在改进型BP学习网络的基础上，在网络的误差反向传播信号线上设置用于控制修正各层权值的协调器，构成MBP网络模型，协调器控制网络输出层的权值使之随着网络的综合误差增大而增大。

进一步，改进型BP学习网络由在BP学习网络的权值调节公式中增加动量项构成，改进型BP学习网络的权值调节公式为：

Δw_ij(n)＝αΔw_ij(n-1)+ηδ_j(n)y_j(n)

其中，Δw_ij(n)为调整权值；ηδ_j(n)y_j(n)为BP学习网络的修正量；αΔw_ij(n-1)为动量项，其中0α1。

进一步，改进型BP学习网络包括依次连接的输入层、第一卷积层、第二卷积层、第一最大池化层、第一连接层、第二连接层、第二最大池化层、第三连接层、平均池化层、dropout层和输出层。

进一步，当训练误差e取值为10％≤|e|≤20％时，协调器减小网络输出层的权值，同时停止修正其他层的权值。

进一步，当训练误差e取值为|e|≤10％时，协调器修正靠近网络输入层的第一级隐层或第二级隐层的权值，同时停止修正网络输出层和其他级隐层的权值。

进一步，步骤S3中利用MBP网络模型对进行滤波后的RTT进行预测估算处理，包括以下步骤：

S31、建立RTT的样本数据并对其进行训练，得到训练数据；