[发明专利]基于AHP-RBF的分布式大数据系统风险预测方法

摘要

本发明公开一种基于AHP-RBF的分布式大数据系统风险预测方法，包括如下步骤：步骤1：采用AHP方法构建云计算虚拟机的单点风险描述模型；步骤2：用RBF神经网络实现AHP的风险指标的预测；RBF神经网络包含3层：第一层是输入层，由信号源节点组成；第二层为隐含层，该层所含的神经元数目是由具体问题而定的；第三层为输出层，主要是对输入模式做出响应；步骤3：采用MRPGA算法对RBF神经网络的隐含层优化，实现RBF神经网络对云计算虚拟机的单点风险预测；首先采用混合递阶遗传算法训练RBF神经网络，其将递阶遗传算法与递推最小二乘法相结合，利用递阶遗传算法确定RBF神经网络的结构、隐含层节点的中心和宽度，同时用递推最小二乘法对隐含层和输出层之间的连接权值进行构造。

主权项

一种基于AHP‑RBF的分布式大数据系统风险预测方法，包括如下步骤：步骤1：采用AHP方法构建云计算虚拟机的单点风险描述模型；其中，AHP方法的具体步骤如下:步骤11：划分递阶层次结构，其包括三层，目标层、准则层和方案层；步骤12：建立两两比较判断矩阵，判断矩阵是针对某一层的某要素而言的，表示该要素与处于相同层的其它要素之间的相对优越程度；首先以第一层的要素为标准，将第二层次的要素和其进行两两比较，依据评定尺度对其相对重要度进行确定，构造判断矩阵；步骤13：通过判断矩阵来计算被比较元素的相对权重值，将该层各种要素和上一层相比排出优劣顺序，也即权重值；权重值通过各判断矩阵计算而得，计算权重值时，首先计算出判断矩阵的特征向量W，再通过归一化处理的方法，计算出权重；步骤14：对每一层次的元素的组合权重进行计算，在计算时要用到层次单排序时的计算结果，也就是每一层元素关于上一层各元素的相对权重值，进而得出层次分析模型中每一层中的所有要素和针对总目标的组合权重值；组合权重在计算时的顺序是由上而下进行的，最终得出最低层元素对于总体目标的组合权重；步骤2：用RBF神经网络实现AHP的风险指标的预测；RBF神经网络包含3层：第一层是输入层，由信号源节点组成；第二层为隐含层，该层所含的神经元数目是由具体问题而定的；第三层为输出层，主要是对输入模式做出响应；其中，RBF神经网络的隐含层的传输函数采用高斯函数作为基函数，基函数表示为：$T_i\left(x\right)=e^{-\left|\right|x-c_i|{|}^2/2{\mathrm{\δ}}_i^2}i=1,2,\mathrm{...},m;$在式中，||x‑c_i||表示x与c_i之间的欧式距离，T_i(x)表示第i个隐含层节点的输出，x是n维的输入向量，m是隐含层神经元个数，c_i是基函数中心，σ_i是第i个隐含层节点的基宽度；隐含层的每个神经元节点都有一个径向基函数中心向量c_i，该向量和输入样本x具有相同的维数，c_i＝[c_i1,c_i2,...,c_im]^T,i＝1,2,...m，隐含层有m个神经元，则有m个这样的中心；RBF神经网络的输出层是隐含层节点输出的线性组合，输出表达式为：$Y_k=\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_{ik}{T}_i\left(x\right);$ω_i是第i个隐含层节点到输出层节点的权值，p是输出层神经元个数；在RBF神经网络中，隐含层节点的输出代表着输入样本X离开隐含层节点的径向基函数中心C_i的程度；步骤3：采用MRPGA算法对RBF神经网络的隐含层优化，实现RBF神经网络对云计算虚拟机的单点风险预测；首先采用混合递阶遗传算法训练RBF神经网络，其将递阶遗传算法与递推最小二乘法相结合，利用递阶遗传算法确定RBF神经网络的结构、隐含层节点的中心和宽度，同时用递推最小二乘法对隐含层和输出层之间的连接权值进行构造。