基于小波包特征提取的ART1网络故障诊断研究

系统阐述了小波包分解及 ART1神经网络的基本理论和特点 ,在对故障诊断进行理论分析的基础上 ,结合ART1神经网络对输入矢量的要求 ,提出了一种差值门限方法 ,将小波包特征提取与 ART1神经网络相结合进行动态系统的故障诊断。用 MATL AB仿真了系统及其故障 ,对上述故障诊断方法进行了测试实验。实验结果表明 ,基于小波包特征提取的 ART1神经网络故障诊断方法是可行的 ,能够应用于多个领域 ,其发展前景广阔。

基于ART1用户聚类的Web预取模型研究

传统的Web预取机制所采用的预测算法主要针对用户个人预取,随着用户数量激增会加重网络负载,降低网络资源利用率。针对这一问题,在综合分析经典ART1神经网络模型和预取系统的基础上,提出一种基于用户聚类的UCPM模型预取新方法。首先,基于改进的ART1算法对用户访问序列特征向量进行聚类,挖掘兴趣相似的用户集合;然后,针对自底向上权重最大值所关联用户群的兴趣进行预取;最后,在Web预取系统上验证该方法的有效性及可靠性。实验结果表明,UCPM模型表现出较好的聚类效果,同时应用在预取系统保持了较高的预测准确率,降低了延迟比和流量开销比。