一种非平稳网络延迟层析成像的方法

网络层析成像将医学、地震学等领域成熟的层析成像理论应用于通信网络领域,它通过基于端到端测量来估计网络内部的行为,为目前在国际学术界备受关注的新技术之一.本文提出了一种基于递归多感知器网络(Re-current Multilayer Perceptron:RMLP)延迟时变参数的追踪算法,该算法能够在没有任何先验信息条件下追踪非平稳网络链路平均延迟,估计链路延迟的概率密度分布.仿真实验也验证了以上两点,同时本文提出的算法比序贯蒙特卡洛(Sequential Monte Carlo:SMC)方法[9]具有更小的估计误差.

递归多层感知器的稳定性分析——LMI方法

递归多层感知器(RMLP)在工程上应用比较多,但对其稳定性的研究还比较少.本文提出一种新的神经网络模型———标准神经网络模型(SNNM),通过状态空间扩展法,将RMLP转化为SNNM,而SNNM的稳定性分析可转化为一组线性矩阵不等式(LMI)的求解,利用Matlab/LMIToolbox求解LMI,从而判定RMLP的Lyapunov稳定性,并考虑非零阈值对稳定性的影响.该方法也适用于其他类型的递归神经网络(RNN)的稳定性分析.

基于递归神经网络的非平稳网络丢包层析成像

为了提高互联网的管理和控制水平,进而优化配置网络资源,一种新的估计网络内部参数的方法"网络层析成像"得到了广泛关注。提出一种基于递归神经网络的非平稳网络丢包层析成像方法,利用递归多层感知器求解非平稳网络丢包模型。采用NS2仿真工具进行实验,证明了该算法能够自适应非平稳网络丢包率随时间变化而产生的波动,以实时追踪网络内部链路的丢包率。