【技术实现步骤摘要】
本专利技术属于智慧网络，具体涉及一种基于大数据机器学习的效能评估的方法。
技术介绍
1、bp(back propagation)神经网络算法是神经网络中应用较为广泛的一种方法，是在1986年由rumelhart和mccelland领导的科学研究小组提出的基于按误差反向传播算法训练的多层前馈网络，即bp神经网络，最常用的结构是三层bp神经网络。bp神经网络通过记忆功能储存大量的输入/输出关系，并不需要事前确定该输入/输出关系的数学计算模型。当有同样性质的输入变量输入时，bp神经网络会利用已经存在的对应关系，自动得出输出的值。
2、bp神经网络是通过使用梯度下降算法不断地训练，并将训练误差结果前向反馈，不断地调整影响输人/输出关系的网络单元的权值和阈值直到误差在可以接受的范围之内，该对应关系就会储存在网络中，凭借有在的记忆对再次输入的变量计算出精确的输出值，因此也称为多层前馈型网络。
3、面对许多复杂网络体系/系统的效能评估是否准确的问题是bp神经网络面临的困难。现有解析法虽然在一定程度上解决了网络的效能评估问题，但评估过程存在明显的主观因素干扰，特别是对评估指标的赋权不客观的问题。
技术实现思路
1、本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于大数据机器学习的效能评估的方法。
2、为实现上述技术目的，本专利技术采取的技术方案为：
3、一种基于大数据机器学习的效能评估的方法，包括：
4、步骤一：构建效能评
5、步骤二：采用机器学习算法训练仿真数据样本，拟合出网络各节点效能评估元模型，并采用粒子群算法和自适应最邻近距离阈值算法进行模型训练优化，得到最终的效能评估模型，以此进行效能评估。
6、为优化上述技术方案，采取的具体措施还包括：
7、上述的步骤一所述效能评估指标体系包括效能评估输入指标和对应节点效能；所述效能评估输入指标包括网络节点的内存、cpu、光衰值和算力量化值。
8、上述的步骤一根据评估任务确定评估设备和评估场景，进而设计仿真推演系统，同时结合效能评估指标体系设计仿真实验，通过仿真推演系统和仿真实验得到仿真数据样本。
9、上述的步骤二所述采用机器学习算法训练仿真数据样本，拟合出网络各节点效能评估元模型，包括：
10、划分仿真数据样本，得到训练样本集合和测试样本集合；
11、采用机器学习算法对训练样本集合的数据进行训练，拟合得到网络各节点效能评估元模型；
12、采用测试样本集合的数据测试所述元模型的样本预测结果，若不满足预设要求，则增加训练样本点，重新选取机器学习算法以改变元模型类型，并重新进行训练，直到元模型的样本预测结果满足预设要求。
13、上述的机器学习算法包括bp算法、svr算法、gmdh算法和dbn算法。
14、上述的步骤二所述采用粒子群算法和自适应最邻近距离阈值算法进行模型训练优化，包括：
15、采用粒子群算法优化网络优化机器学习算法计算效率；
16、采用自适应最邻近距离阈值算法对节点的效能评估输入指标进行聚类的阈值进行动态设置，以过滤训练数据过滤掉，节约运算资源。
17、上述的粒子群算法采用的标准进化公式如下：
18、
19、式中：w为惯性权重；c1、c2为加速因子；r1，r2∈rand[0，1]；分别为第k次迭代中参数i的第j维变量的速度、位置、个体极值最优位置和群体极值最优位置；
20、所述粒子群算法基于下式在进化后期增强局部寻优能力：
21、w＝wmax-(wmax-wmin)k/t
22、c1＝cmax-(cmax-cmin)k/t
23、c2＝cmax+(cmax-cmin)k/t
24、式中：wmax，wmin分别为初始惯性权重最大值和最小值；cmax，cmin分别为初始加速因子最大值、最小值；w，c1，c2分别为第k次选代的惯性权重、第一加速因子值、第二加速因子值；t为优化系数。
25、所述粒子群算法的适应度计算方式为：首先计算样本观测数据通过机器学习算法模型训练的输出值与真实值的差值，然后将所有所述差值的平方的求和后求均值。
26、上述的自适应最邻近距离阈值算法采用如下公式进行阈值的动态设置：
27、
28、式中，max为样本间距离的最大值；min为样本间距离的最小值；a为调节参数；为样本间距离的平均值。
29、本专利技术具有以下有益效果：
30、本专利技术提出对组网内网络节点的效能评估指标，结合基于元模型的效能评估模型进行网络评估，可了解整体网络情况及数据传输链路的质量情况；本专利技术的基于元模型的效能评估建模流程，可以在进行模型运算基础上不断的提高模型训练的准确度；通过采用机器学习算法拟合出网络各节点效能评估元模型，可以挖掘出评价指标体系的关联关系，并给评价指标赋予客观权值，为整体组网或多各节点组成的网络链路效能评估建模提供了一种客观建模方法。本专利技术采用粒子群(pso)算法优化网络的初始权值和阈值以优化机器学习算法计算效率，并通过自适应最邻近距离阈值算法将一些价值不大的训练数据过滤掉从而节约运算资源，提高组网和网络链路效能评估结果准确度。
本文档来自技高网...【技术保护点】
1.一种基于大数据机器学习的效能评估的方法，其特征在于，包括：
2.根据权利要求1所述的一种基于大数据机器学习的效能评估的方法，其特征在于，步骤一所述效能评估指标体系包括效能评估输入指标和对应节点效能；所述效能评估输入指标包括网络节点的内存、cpu、光衰值和算力量化值。
3.根据权利要求1所述的一种基于大数据机器学习的效能评估的方法，其特征在于，所述步骤一根据评估任务确定评估设备和评估场景，进而设计仿真推演系统，同时结合效能评估指标体系设计仿真实验，通过仿真推演系统和仿真实验得到仿真数据样本。
4.根据权利要求1所述的一种基于大数据机器学习的效能评估的方法，其特征在于，步骤二所述采用机器学习算法训练仿真数据样本，拟合出网络各节点效能评估元模型，包括：
5.根据权利要求1所述的一种基于大数据机器学习的效能评估的方法，其特征在于，所述机器学习算法包括BP算法、SVR算法、GMDH算法和DBN算法。
6.根据权利要求1所述的一种基于大数据机器学习的效能评估的方法，其特征在于，步骤二所述采用粒子群算法和自适应最邻近距离阈值算法进
7.根据权利要求6所述的一种基于大数据机器学习的效能评估的方法，其特征在于，所述粒子群算法采用的标准进化公式如下：
8.根据权利要求6所述的一种基于大数据机器学习的效能评估的方法，其特征在于，所述粒子群算法基于下式在进化后期增强局部寻优能力：
9.根据权利要求6所述的一种基于大数据机器学习的效能评估的方法，其特征在于，所述粒子群算法的适应度计算方式为：首先计算样本观测数据通过机器学习算法模型训练的输出值与真实值的差值，然后将所有所述差值的平方的求和后求均值。
10.根据权利要求7所述的一种基于大数据机器学习的效能评估的方法，其特征在于，所述自适应最邻近距离阈值算法采用如下公式进行阈值的动态设置：
...【技术特征摘要】
1.一种基于大数据机器学习的效能评估的方法，其特征在于，包括：
2.根据权利要求1所述的一种基于大数据机器学习的效能评估的方法，其特征在于，步骤一所述效能评估指标体系包括效能评估输入指标和对应节点效能；所述效能评估输入指标包括网络节点的内存、cpu、光衰值和算力量化值。
3.根据权利要求1所述的一种基于大数据机器学习的效能评估的方法，其特征在于，所述步骤一根据评估任务确定评估设备和评估场景，进而设计仿真推演系统，同时结合效能评估指标体系设计仿真实验，通过仿真推演系统和仿真实验得到仿真数据样本。
4.根据权利要求1所述的一种基于大数据机器学习的效能评估的方法，其特征在于，步骤二所述采用机器学习算法训练仿真数据样本，拟合出网络各节点效能评估元模型，包括：
5.根据权利要求1所述的一种基于大数据机器学习的效能评估的方法，其特征在于，所述机器学习算法包括bp算法、svr算法、gmdh...
【专利技术属性】
技术研发人员：茅强，
申请(专利权)人：中电信数智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。