本發(fā)明涉及一種WebServiceQoS預測方法，尤其涉及基于多元時間序列的WebServiceQoS預測方法，屬于信息
技術領域：
。
背景技術：
：隨著Web服務技術的快速發(fā)展和應用，網(wǎng)絡上出現(xiàn)了很多功能相似的Web服務，在選擇滿足用戶需求的Web服務過程中，非功能性需求往往被人們忽視。近幾年來，作為非功能性因素的服務質(zhì)量(QoS)開始逐步被人們重視，越來越多的研究人員開始致力于Web服務的QoS預測技術。Web服務的QoS屬性包括與性能相關的響應時間(Responsetime)、吞吐量(Throughput)、可靠性(Reliability)、可用性(Availability)、可擴展性(Expandability)，以及與非性能相關的價格(Price)、安全性(Security)、信譽(Credit)等屬性?，F(xiàn)有的預測模型主要針對單Web服務，分為基于人工智能的Web服務QoS預測方法，基于相似度的QoS預測方法，基于結(jié)構(gòu)方程的QoS預測方法和基于時間序列QoS預測方法。其中基于時間序列的預測方法主要考慮QoS的單個屬性或兩個屬性，選擇ARIMA模型或神經(jīng)網(wǎng)絡模型進行預測，如華等考慮響應時間、可用性兩個屬性，利用ARIMA模型實現(xiàn)預測；ZiaurRehman等采用ARIMA模型預測QoS的響應時間屬性；Zhang等采用RBF神經(jīng)網(wǎng)絡短期預測QoS屬性值；劉等提出了一種ARIMA、灰色模型和神經(jīng)網(wǎng)絡的組合預測模型。但是QoS的屬性之間存在復雜的相互依賴關系，單純考慮一個因素的預測準確性較差，傳統(tǒng)的ARIMA模型是一種短期預測模型，對數(shù)據(jù)的要求比較高，需要對數(shù)據(jù)進行多步處理。因此本發(fā)明方法考慮QoS屬性之間的相關性，將多個QoS屬性組成數(shù)據(jù)源。性能相關屬性和非性能相關屬性都會影響QoS值，屬性之間的相互關系無法用準確的公式模式表示，因此采用相空間重構(gòu)的方法，不需要確定各屬性之間的關系，也不需要考慮鄰近時間點之間數(shù)據(jù)的相互關系，將QoS屬性歷史數(shù)據(jù)映射到一個動力系統(tǒng)中，近似恢復原來的多維非線性系統(tǒng)。另外隨著技術的提升，Web服務QoS的整體發(fā)展趨勢隨服務提供商的策略變化具有動態(tài)多變的特性，直接利用歷史數(shù)據(jù)做多步直接預測不能反映當前QoS屬性值，影響預測精度。短期QoS廣告代表當前QoS屬性值的走向，因此將短期服務提供商的QoS廣告數(shù)據(jù)用時間序列表示，加入到預測數(shù)據(jù)集中進行多步預測。RBF神經(jīng)網(wǎng)絡模型可以進一步表示輸入變量與預測變量之間的復雜關系，以黑盒模式比較準確地描述這種關系，預測的屬性值相對準確。傳統(tǒng)的神經(jīng)網(wǎng)絡權(quán)值訓練是一個反復迭代的復雜過程，因此本方法利用海塞矩陣和Levenberg-Marquardt最優(yōu)化算法訓練權(quán)值，提高運算效率，減小了時間開銷和空間開銷。針對QoS屬性值動態(tài)多變的特點，在未來預測過程中，采集樣本動態(tài)更新神經(jīng)網(wǎng)絡的參數(shù)值，實現(xiàn)動態(tài)預測，提高預測精度。技術實現(xiàn)要素：發(fā)明目的：針對現(xiàn)有技術中存在的問題與不足，為了提高WebServiceQoS預測的效率和準確性，考慮QoS屬性值的動態(tài)多變和多個QoS屬性之間的復雜關系，本發(fā)明提供了一種基于多元時間序列的WebServiceQoS預測方法。技術方案：一種基于多元時間序列的WebServiceQoS預測方法，包括如下步驟：步驟1：收集確定的單Web服務的QoS屬性數(shù)據(jù)；步驟2：QoS屬性數(shù)據(jù)預處理；步驟3：建立多元時間序列RBF(徑向基)神經(jīng)網(wǎng)絡預測模型；步驟4：設置誤差閾值δ，訓練RBF神經(jīng)網(wǎng)絡，確定神經(jīng)網(wǎng)絡的參數(shù)值；步驟5：利用RBF神經(jīng)網(wǎng)絡，實現(xiàn)QoS屬性值動態(tài)多步預測。所述步驟1，收集數(shù)據(jù)主要包括兩個方面，(1)從ServiceProxy(服務代理)收集QoS屬性值作為歷史數(shù)據(jù)。服務代理作為QoS屬性歷史數(shù)據(jù)收集的渠道，作為一種方法調(diào)用性質(zhì)的客戶端代理服務，利用通道使應用程序發(fā)送和接收消息，根據(jù)需要創(chuàng)建、打開、調(diào)用服務并且在不需要時關閉。應用程序可以重用服務代理反復連接到相同的服務，無需多余的時間開銷和資源開銷。根據(jù)每個QoS屬性的不同定義嵌入功能代碼，從服務代理中連續(xù)獲取同一Web服務的QoS屬性數(shù)據(jù)。(2)采集短期服務發(fā)布者提供的QoSInformationAdvertisement(QoS廣告數(shù)據(jù))。借助基于UDDI(統(tǒng)一描述發(fā)現(xiàn)集成規(guī)范)的Web服務發(fā)現(xiàn)技術，獲取指定Web服務的廣告信息。QoS的整體發(fā)展趨勢隨服務提供商的策略變動具有動態(tài)多變的特性，利用歷史數(shù)據(jù)多步直接預測不能很好地反映當前QoS屬性值，而短期QoS廣告描述了未來短期時間內(nèi)QoS屬性值的趨勢，在預測中利用廣告數(shù)據(jù)，對當前的QoS屬性值的走向有很大的作用，并且能夠提高預測精度。因此將短期服務提供商的QoS廣告數(shù)據(jù)用時間序列表示，加入到預測數(shù)據(jù)集中。數(shù)據(jù)預處理過程主要構(gòu)建QoS屬性關系系統(tǒng)，并且生成預測模型的輸入數(shù)據(jù)，所述步驟2進一步為：步驟21：用多元時間序列表示QoS屬性歷史數(shù)據(jù)和服務提供商的短期廣告數(shù)據(jù)。QoS屬性歷史數(shù)據(jù)的多元時間序列表示為：Q＝{Q1，Q2...,Qi,...,QN},i＝1,2,...,NQi＝{qi，1,qi，2，...,qi,j,...,qi,M},j＝1,2,...,MQoS屬性短期廣告數(shù)據(jù)的多元時間序列表示為：A＝{A1，A2...,Ai,...AN},i＝1,2,...,NAi＝{ai，1,ai，2’...,ai,j,...,ai,M},j＝1,2,...,M其中，N為樣本個數(shù)；M為QoS屬性個數(shù)；Qi表示第i個QoS屬性歷史數(shù)據(jù)；qi,j表示第i個歷史數(shù)據(jù)的第j個QoS屬性值；Ai表示第i個廣告數(shù)據(jù)；ai,j表示第i個廣告數(shù)據(jù)的第j個QoS屬性值；步驟22：采用小波變換閾值去噪法對QoS屬性歷史數(shù)據(jù)進行噪聲平滑處理，減小噪聲對時間序列預測的影響。(1)假設帶有高斯白噪聲的數(shù)據(jù)為yi＝Xi+αi(其中i＝1,2,…,N，αi為白噪聲，Xi為去噪聲后的數(shù)據(jù))；(2)計算正交小波變換，選擇N個樣本QoS歷史數(shù)據(jù)作為離散小波，設置小波分解層數(shù)j，將yi運用公式和(其中，k＝1,2,...,N，yk＝c0,k，n＝1,2,...,N，cj,k為第k個樣本的第j層尺度系數(shù)，dj,k為第k個樣本的第j層小波系數(shù)，hn-2k和gn-2k組成的長度為2N的常數(shù)型單位向量h和g為一對正交鏡像濾波器組QMF，h-1·g＝0，j為常數(shù)型分解層數(shù)，N為離散采樣點數(shù))小波分解到第j層，得到對應小波分解系數(shù)；(3)用公式(其中，t表示閾值常量，Y表示輸入的小波系數(shù)，表示輸出的閾值處理后的小波系數(shù))對分解后的小波系數(shù)做閾值處理；(4)進行小波逆變換，將經(jīng)閾值處理后的小波系數(shù)用公式重構(gòu)，得到估計值步驟23：QoS屬性歷史數(shù)據(jù)和廣告數(shù)據(jù)分別做變量尺度變換，將尺度范圍控制在[0，1]。因為神經(jīng)網(wǎng)絡的輸入變量的范圍在[0，1]或者[-1，1]之間時效果最好；步驟24：QoS屬性歷史數(shù)據(jù)的多元時間序列進行相空間重構(gòu)，采用平均位移方法計算嵌入維數(shù)m和延遲時間τ。重構(gòu)后的多元時間序列表示為：Q’＝{Q1’，Q2’...,Qi’,...,QN’},i＝1,2,...,NQi,={qi,1,qi-τ1,1,qi-2τ1,1,...,qi-(m1-1)τ1,1,qi,2,qi-τ2,2,qi-2τ2,2,...,qi-(m2-1)τ2,2,...qi,j,qi-τj,j,qi-2τj,j,...,qi-(mj-1)τj,j,...qi,M,qi-τM,M,qi-2τM,M,...,qi-(mM-1)τM,M},j=1,2,...,M]]>其中mj表示第j個屬性嵌入的維數(shù)；τj表示第j個屬性的延遲時間；Qi'表示Qi重構(gòu)后的時間序列。平均位移法的思想是通過引入平均位移(AD)，給數(shù)據(jù)Qi一個假設嵌入維數(shù)m，求出延遲時間；步驟25：將處理后的歷史數(shù)據(jù)和廣告數(shù)據(jù)合成QoS綜合數(shù)據(jù)集。QoS綜合數(shù)據(jù)集表示為：X＝{X1，X2...,Xi,...,XN},i＝1,2,...,N，Xi＝[Qi',Ai]T，i＝1,2,...,N，同時將數(shù)據(jù)集設置為輸入Xi和目標輸出Ti成對的樣本。RBF神經(jīng)網(wǎng)絡預測是時間序列預測的一種方法，通過一系列的層將預測變量與目標變量聯(lián)系起來，用類似黑盒的方式構(gòu)建復雜的非線性關系，所述步驟3進一步為：步驟31：建立三層結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡，包括輸入層、隱含層和輸出層。其中第一層輸入層由感知單元組成，將輸入向量Xi引入神經(jīng)網(wǎng)絡中；第二層隱含層把向量從低維映射到高維，隱含層的激勵函數(shù)為高斯函數(shù)；最后一層輸出層設置為單輸出，將隱含層的輸出進行線性加權(quán)組合的到最終輸出值，記為Yi。隱含層的高斯函數(shù)公式為：φ(Xi,Ck)=exp(-r22σ2)]]>r＝||Xi-Ck||2，i＝1,2,...,Nk＝1,2,...,L其中，φ(r)為隱含層的輸出函數(shù)；Ck為RBF神經(jīng)網(wǎng)絡隱含層的中心；σ為擴展常數(shù)；L為隱含層中心節(jié)點的個數(shù)。RBF神經(jīng)網(wǎng)絡的輸出層公式為：令W＝[w1,w2,...,wL]T其中，Yi為輸出層函數(shù)；wk為第k個隱層節(jié)點與輸出節(jié)點之間的權(quán)值；Cmax為選取中心之間的最大距離；W是隱含層與輸出層的權(quán)值矩陣；步驟32：確定RBF神經(jīng)網(wǎng)絡的隱含層中心節(jié)點Ck(k＝1,2，…，L)，隱層節(jié)點的個數(shù)為一組綜合數(shù)據(jù)集樣本輸入的個數(shù)，中心節(jié)點Ck的值對應每個樣本的值；步驟33：隨機給定RBF神經(jīng)網(wǎng)絡隱含層與輸出層的初始權(quán)值矩陣W；為了找到合適的神經(jīng)網(wǎng)絡參數(shù)值，所述步驟4進一步為：步驟41：將數(shù)據(jù)集樣本中的訓練樣本分為若干組，每組的樣本個數(shù)為db，設置誤差閾值δ；步驟42：用矩陣Γ表示隱含層輸出函數(shù)，輸出層函數(shù)的矩陣表示為?！＝Y(jié)，Y＝[Y1,Y2,...,YN]T，令步驟43：輸入一組db個樣本數(shù)據(jù)；步驟44：隱含層節(jié)點的個數(shù)為輸入的一組綜合數(shù)據(jù)集樣本的個數(shù)，即L＝db，中心節(jié)點Ck的值對應每個樣本的值；步驟45：利用Levenberg-Marquardt(LM)算法將訓練權(quán)值W轉(zhuǎn)化為最優(yōu)化問題。誤差函數(shù)計算W的公式為W＝W+ΔW，ΔW＝(JTJ+μI)-1·JTS，其中誤差矩陣S＝[s1,s2,...,si,...,sN]T，si＝Y(jié)i-Ti，正則化系數(shù)μ為大于0的常數(shù)。f(W)的海塞矩陣H為：f(W)的雅克比矩陣J為:簡化ΔW計算：(1)令，令W訓練過程中，每采集一個樣本計算一次εk和βk，令N＝db作為一組訓練W的樣本；步驟46：當f(W)＜δ時，轉(zhuǎn)到步驟43，否則輸入下一組樣本數(shù)據(jù)；步驟47：當f(W)的值減小時，當f(W)的值增大時，令μ＝2μ，轉(zhuǎn)到步驟44。針對基于多元時間序列的WebServiceQoS數(shù)據(jù)動態(tài)變動的特點，所述步驟5，在未來預測過程中，RBF神經(jīng)網(wǎng)絡的參數(shù)值需要動態(tài)更新，每收集一個樣本計算對應的εk和βk，樣本數(shù)達到db時，更新W的值并根據(jù)步驟47調(diào)整μ。樣本數(shù)據(jù)中相空間重構(gòu)的QoS歷史數(shù)據(jù)和短期QoS廣告時間序列數(shù)據(jù)的綜合，設置QoS預測的預測步長為η(η>1)，用t時刻的數(shù)據(jù)Xt預測t+η時刻的QoS屬性值Yt+η，實現(xiàn)多步預測。附圖說明圖1為本發(fā)明實施例的方法整體步驟圖；圖2為RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)圖；圖3為本發(fā)明實施例方法的流程圖。具體實施方式下面結(jié)合具體實施例，進一步闡明本發(fā)明，應理解這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領域技術人員對本發(fā)明的各種等價形式的修改均落于本申請所附權(quán)利要求所限定的范圍。如圖1所示，為本發(fā)明的基于多元時間序列的WebServiceQoS預測方法整體步驟圖，主要包括5個步驟：步驟1：收集確定的單Web服務的QoS屬性數(shù)據(jù)；步驟2：QoS屬性數(shù)據(jù)預處理；步驟3：建立基于多元時間序列的RBF(徑向基)神經(jīng)網(wǎng)絡預測模型；步驟4：設置誤差閾值δ，訓練RBF神經(jīng)網(wǎng)絡，確定神經(jīng)網(wǎng)絡的參數(shù)值；步驟5：利用RBF神經(jīng)網(wǎng)絡，實現(xiàn)QoS屬性值動態(tài)多步預測；如圖2所示，為本發(fā)明使用的RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)圖，輸入向量從第一層輸入，多個神經(jīng)元節(jié)點表示輸入多個QoS屬性，采用多元時間序列表示輸入向量；隱含層節(jié)點與輸入層節(jié)點數(shù)相同；輸出節(jié)點只有一個，表示輸出的QoS屬性個數(shù)為1；如圖3所示，為本發(fā)明提出的基于多元時間序列的WebServiceQoS預測方法流程圖，具體步驟如下：步驟101：選取QoS的主要屬性，包括QoS主要的性能屬性和非性能屬性，選擇響應時間、吞吐量、成功率、成本等具有代表性的屬性；其中從服務代理收集QoS屬性值作為歷史數(shù)據(jù)的具體步驟包括：步驟102：Web服務工具包(Toolkits)中提供了生成服務代理的工具，服務代理工具是WSDL工具包中的一部分，根據(jù)Web服務描述文件(WSDL)調(diào)用proxygen命令，生成收集QoS屬性歷史數(shù)據(jù)的服務代理商；步驟103：按照QoS屬性的定義，人為添加指令或修改指令完成額外的功能(響應時間添加代碼計量時間，吞吐量添加代碼統(tǒng)計單位時間傳輸?shù)臄?shù)據(jù)數(shù)量)，編譯后重新運行服務流程；步驟104：根據(jù)需要采集樣本的數(shù)量，設置采集歷史數(shù)據(jù)循環(huán)執(zhí)行的時間，文本文檔保存運行代碼收集到的數(shù)據(jù)；利用UDDI服務發(fā)現(xiàn)技術采集短期服務發(fā)布者提供的QoS廣告數(shù)據(jù)，具體步驟為：步驟105：查找Web服務提供者的QoSInformation實體；步驟106：QoSInformation實體包含一個或多個QoS屬性信息，每一個都使用5元組<attributeName，attributeType，attributeValue，attributeUnit，constraints>描述，確定需要的QoS屬性，并返回查詢到的描述信息；步驟107：將QoS廣告信息保存到文本文檔中。QoS屬性數(shù)據(jù)預處理具體處理步驟為：步驟108：用多元時間序列表示QoS屬性歷史數(shù)據(jù)和服務提供商的短期廣告數(shù)據(jù)。QoS屬性歷史數(shù)據(jù)的多元時間序列表示為：Q＝{Q1,Q2...,Qi,...,QN},i＝1,2,...,NQi＝{qi，1,qi，2，...,qi,j,...,qi,M},j＝1,2,...,MQoS屬性短期廣告數(shù)據(jù)的多元時間序列表示為：A＝{A1,A2...,Ai,...AN},i＝1,2,...,NAi＝{ai，1,ai，2，...,ai,j,...,ai,M},j＝1,2,...,MAi＝{ai，1，ai，2，...，ai，j，...，ai，M}，j＝1，2，...，M其中，N為樣本個數(shù)，相鄰樣本的時間間隔相同；M為QoS屬性個數(shù)；Qi表示第i個QoS屬性歷史數(shù)據(jù)；qi,j表示第i個歷史數(shù)據(jù)的第j個QoS屬性值；Ai表示第i個廣告數(shù)據(jù)；ai,j表示第i個廣告數(shù)據(jù)的第j個QoS屬性值；步驟109：采用小波變換閾值去噪法對QoS屬性歷史數(shù)據(jù)進行噪聲平滑處理：(1)假設帶有高斯白噪聲的數(shù)據(jù)yi＝Xi+αi(其中i＝1,2,…,N，αi為白噪聲，Xi為去噪聲后的數(shù)據(jù))；(2)計算正交小波變換，選擇N個樣本QoS歷史數(shù)據(jù)作為離散小波，設置小波分解層數(shù)j，yi運用公式和(其中，k＝1,2,...,N，yk＝c0,k，n＝1,2,...,N，cj,k為第k個樣本的第j層尺度系數(shù)，dj,k為第k個樣本的第j層小波系數(shù)，hn-2k和gn-2k組成的長度為2N的常數(shù)型單位向量h和g為一對正交鏡像濾波器組QMF，h-1·g＝0，j為常數(shù)型分解層數(shù)，N為離散采樣點數(shù))小波分解到第j層，得到對應小波分解系數(shù)；(3)用公式(其中，t表示閾值常量，Y表示輸入的小波系數(shù)，表示輸出的閾值處理后的小波系數(shù))對每個尺度系數(shù)cj,k分解后的小波系數(shù)做閾值處理；(4)進行小波逆變換，將經(jīng)閾值處理后的小波系數(shù)用公式重構(gòu)，得到估計值步驟110：QoS屬性歷史數(shù)據(jù)和廣告數(shù)據(jù)分別做變量尺度變換，將尺度范圍控制在[0，1]。QoS屬性歷史數(shù)據(jù)尺度變換公式為QoS短期廣告數(shù)據(jù)尺度變換公式為其中q.,j表示歷史數(shù)據(jù)樣本中第j個屬性的所有值，a.,j表示廣告數(shù)據(jù)樣本中第j個屬性的所有值，(a.,j)max表示a.,j的最大值，(a.,j)min表示a.,j的最小值，(q.,j)max表示q.,j的最大值，(q.,j)min表示q.,j的最小值；步驟111：QoS屬性歷史數(shù)據(jù)相空間重構(gòu)，采用平均位移方法計算嵌入維數(shù)m和延遲時間τ。重構(gòu)后的多元時間序列表示為：Q’＝{Q1’，Q2’...,Qi’,...,QN’},i＝1,2,...,NQi,={qi,1,qi-τ1,1,qi-2τ1,1,...,qi-(m1-1)τ1,1,qi,2,qi-τ2,2,qi-2τ2,2,...,qi-(m2-1)τ2,2,...qi,j,qi-τj,j,qi-2τj,j,...,qi-(mj-1)τj,j,...qi,M,qi-τM,M,qi-2τM,M,...,qi-(mM-1)τM,M},j=1,2,...,M]]>其中mj表示第j個屬性嵌入的維數(shù)；τj表示第j個屬性的延遲時間；Qi'表示Qi重構(gòu)后的時間序列。平均位移法的思想是通過引入平均位移(AD)，給數(shù)據(jù)Qi一個假設嵌入維數(shù)m，求出延遲時間。Q第j個屬性的平均位移公式為：隨著τj值的增加，當<Sm(τj)>的增長斜率第一次降為初始值的40％時，對應的點為所求的延遲時間；步驟112：處理后的歷史數(shù)據(jù)和廣告數(shù)據(jù)組成QoS綜合數(shù)據(jù)集。QoS綜合數(shù)據(jù)集表示為：X＝{X1，X2...,Xi,...,XN},i＝1,2,...,N，Xi＝[Qi',Ai]T，i＝1,2,...,N,同時將數(shù)據(jù)集設置為輸入Xi和目標輸出Ti成對的樣本。RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)具體構(gòu)建步驟為：步驟113：建立三層結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡，包括輸入層、隱含層和輸出層。其中第一層輸入層由感知神經(jīng)元組成，將輸入向量Xi引入神經(jīng)網(wǎng)絡；第二層隱含層把向量從低維映射到高維，實現(xiàn)高維曲線擬合，隱含層的激勵函數(shù)為高斯函數(shù)；最后一層輸出層設置為單輸出，將隱含層的輸出進行線性加權(quán)組合作為最終輸出值，記為Yi。隱含層的高斯函數(shù)公式為：φ(Xi,Ck)=exp(-r22σ2)]]>r＝||Xi-Ck||2，i＝1,2,...,Nk＝1,2,...,L其中，φ(r)為隱含層輸出函數(shù)；Ck為RBF神經(jīng)網(wǎng)絡隱含層中心；σ為擴展常數(shù)；L為隱含層中心節(jié)點個數(shù)。RBF神經(jīng)網(wǎng)絡輸出層公式為：令W＝[w1,w2,...,wL]T其中,Yi為輸出層函數(shù)；wk為第k個隱層節(jié)點與輸出節(jié)點之間的權(quán)值；Cmax為選取中心之間的最大距離；W是隱含層與輸出層的權(quán)值矩陣；步驟114：確定RBF神經(jīng)網(wǎng)絡的隱含層中心節(jié)點Ck(k＝1,2，…，L)，隱層節(jié)點個數(shù)為輸入的一組綜合數(shù)據(jù)集樣本的個數(shù)，中心節(jié)點Ck的值對應每個樣本的值；步驟115：隨機給定RBF神經(jīng)網(wǎng)絡隱含層與輸出層的初始權(quán)值矩陣W。訓練神經(jīng)網(wǎng)絡和動態(tài)多步預測過程的具體步驟為：步驟116：將數(shù)據(jù)集樣本中的訓練樣本分為若干組，每組的樣本個數(shù)為db，設置誤差閾值δ；步驟117：矩陣Γ表示隱含層輸出函數(shù)，輸出層函數(shù)的矩陣表示為?！＝Y(jié)，Y＝[Y1,Y2,...,YN]T，步驟118：輸入一組db個樣本數(shù)據(jù)；步驟119：隱層節(jié)點個數(shù)為一組輸入綜合數(shù)據(jù)集樣本的個數(shù)，即L＝db，中心節(jié)點Ck的值對應每個樣本的值；步驟120：利用Levenberg-Marquardt(LM)算法將訓練權(quán)值W轉(zhuǎn)化為最優(yōu)化問題。當誤差函數(shù)取最小值時，對應的W為最終解，計算W的迭代公式為W＝W+ΔW，ΔW＝(JTJ+μI)-1·JTS，其中誤差矩陣S＝[s1,s2,...,si,...,sN]T，si＝Y(jié)i-Ti，正則化系數(shù)μ為大于0的常數(shù)。f(W)的海塞矩陣H為:f(W)的雅克比矩陣J為:簡化ΔW計算：(1)令，令W訓練過程無需一次性計算復雜的矩陣Γ和ΓT，只需每采集一個樣本計算一次εk和βk，N＝db時計算ΔW，作為一組W更新樣本；步驟121：當f(W)＜δ時，保存預測結(jié)果并轉(zhuǎn)到步驟118，否則輸入下一組樣本數(shù)據(jù)，繼續(xù)下一步驟；步驟122：當f(W)的值減小時，當f(W)的值增大時，令μ＝2μ；轉(zhuǎn)到步驟119；步驟123：未來多步預測過程中，根據(jù)步驟120更新W的值并根據(jù)步驟122調(diào)整μ；設置QoS預測的預測步長為η(η>1)，用t時刻的數(shù)據(jù)Xt預測t+η時刻的QoS屬性值Yt+η。當前第1頁1 2 3