基于神经网络的网络病毒预测研究(3)
1.2.1 国外研究现状 1997 年 Corinne Ledoux建立一个以神经网络的交通流为基础的模型。这里是用部分神经网络，每个神经元被要求将不同信号的连接成单独的信号。基于根据标准信号与标准通道部分的神经网络流模式将被分为两类。对于预测的结果给出分析的标准，这标准是基于前一个时间段预测结果的基础上而计算得到的。2001年 Haibo Chen等提出了新型的一种动态算法。新算法可以提高预测的准确率。这算法是以 RAN算法为基础，创新的新算法。它可以提供一种连续学习的计划。将数据按照一定的顺序输入到网络中去。通过动态增加隐藏单元来提高网络的性能。通常这个单元把输入的模式作为各自输入的中心。 网络可以在任何阶段中得到训练。RAN只包含单个隐藏层，它的输出是由于输入是单个隐藏单元的线性组合，所以 RAN 会不断产生新的单元来减少性能的误差，是否分配新隐藏单元由以下两个条件决定： （1） 当期望的输出值远大于系统的输出值。 （2） 当输入与存在的中心距很大； 如输入不符合以上两个条件，网络就会使用最小均方误差来对参数进行修改。动态网络模型没法使用全部的参数，通过调查分析可以得出当输入参数的个数为3的时候，预测效果最好。 首先要训练网络： （1） 动态数据网络要用所有数据进行； （2） 使用偶然事件的数据进行训练； （3） 固定数据是运用最开始的五个隐藏单元来。 因为前两个训练网络含有隐含元素,同时这些元素会在收到数据后不受约束，在接收数据的时候，如不将单元固定则新数据会使元素中心不断转移。前五个元素被固定后将再次训练解释性能力， 任何新元素都将被迫提高它们的解释性能力。
1.2.2 国内研究现状 1998 年底初连禹和杨兆升[2]提出了一种模糊神经网络的预测模型，通过建立模糊规则并且将模糊规则运用到神经网络的学习中去建立的模糊预测模型。通过实际中获取到的流量数据来对网络进行训练，并且进行预测。 2006 年陈纲[3]提出了运用灰色理论和神经网络相结合的预测方法。通过组合灰色模型和神经网络模型对短期交通流预测， 取得了比其中任意一种预测模型都高的准确率。 通过实际中的数据不仅利用灰色模型要求数据量少，计算速度快的特点，还利用神经网络对非线性函数具有很好预测的特点，很好的预测了短期交通流。 2015 年马云龙[4]将主成分分析法与 RBF 神经网络相结合的预测方法。由于房地产预测指标过多，通过主成分分析找出所有指标中最重要的三个，以此来减小神经网络输入的参数， 降低神经网络结构的复杂，调高网络预测的精度。