1、“.....模型的层次结构如图统网络性能预测系统与网络结构为了提高神经网络电力营销系统网络性能模型对流量预测的准确性与高效性,本文设定了网络预测的信息过滤规则并研发了电力营销系统网络性能流量过滤模块。系统与网络结构如图所示。电力专网预测信息过滤本文提出了基于贝叶斯网络的信息过滤模型规则并研发了电力营销系统网络性能流量过滤模块。系统与网络结构如图所示。研究现状近些年来,电力营销系统网络预测研究越来越受到重视,许多改进的预测方法不断被应用。电力营销系统网络预测方法主要有回归模型时间序列模型神经网络基于均值法小波理论卡尔曼滤波方法等。等人构建了自适应的小波变换网络预测模型,将小时网络流量预测算法计算机研究与发展,郑成兴网络流量预测方法和实际预测分析计算机工程与应用,杨兆升,王媛,管青基于支持向量机方法的短时交通流量预测方法吉林大学学报工学版,白翔宇,叶新铭......”。

2、“.....。基于神经网络的电力营销系统网络性能预测模型原稿。此外,为了提高模型的稳定基于神经网络的电力营销系统网络性能预测模型原稿以降低网络阻塞,缩短系统处理时延。本文按照电力专网的特殊架构,建立了基于神经网络的电力营销系统信息预测模型,构建了电力营销系统的特征信息集,并设定了网络预测的信息过滤规则。此外,基于构建的电力营销系统网络性能预测模型,进步研发了电力专网流量过滤模块。通过网络仿真结果显示,基于神经网络的电力营销系统网络性能预测模型立了基于神经网络的电力营销系统信息预测模型,构建了电力营销系统的特征信息集,并设定了网络预测的信息过滤规则。此外,基于构建的电力营销系统网络性能预测模型,进步研发了电力专网流量过滤模块。通过网络仿真结果显示,基于神经网络的电力营销系统网络性能预测模型能够有效降低网络阻塞,提高网络使用效率。参考文献张冉,赵成龙行了仿真......”。

3、“.....结果分别如图图所示。从图可以看出,在使用神经网络电力营销系统模型的系统中,随着电网流量的不断增加,网络利用率也会不断提升。在电网流量达到时,相对于原有系统,使用神经网络电力专网模型的系统利用率可提高以上。图显示了系统时延的仿真结果,从图中可以明显看出使用神经网络电力专网模型的系统可力营销系统流量预测结果图,图为用电高峰时段电网电力营销系统流量预测结果图,把非用电高峰时段与用电高峰时段的预测结果叠加可以得到各时段平均电网流量的预测结果图如所示。为了对神经网络电力营销系统网络预测模型性能进行评估,本文对使用该模型后的系统网络利用率与网络时延进行了仿真,并与原有系统进行了对比,结果分别如图图所示。从图可以式。在中,权和节点可以映射成向量模型,噪声或节点噪声与节点和非节点可以映射到布尔模型。虚拟特征层虚拟特征层与特征层之间的连接可将未在特征层出现的数据映射到特征层......”。

4、“.....仿真环境本文测试在仿真平台上进行。测试数据来源于市电网中心电力营销系统数据库,数据库中收集了该市电网电力营出,在使用神经网络电力营销系统模型的系统中,随着电网流量的不断增加,网络利用率也会不断提升。在电网流量达到时,相对于原有系统,使用神经网络电力专网模型的系统利用率可提高以上。图显示了系统时延的仿真结果,从图中可以明显看出使用神经网络电力专网模型的系统可以降低网络阻塞,缩短系统处理时延。本文按照电力专网的特殊架构,建计算网络的期望输出和实际输出的误差。从输出层开始进行反向计算,直到第个隐含层,按照定原则向着减小误差的方向调整网络中的联接权值。电力专网预测信息过滤本文提出了基于贝叶斯网络的信息过滤模型以此针对电力专网预测信息进行过滤。模型的层次结构如图性,即突出的是突发特性在所有时间尺度上都存在的这自相似过程中的持续现象,即多尺度行为特性。多分形性多分形性......”。

5、“.....必须选取多重连续谱来进行刻画。通过对电力营销系统网络性能流量数值进行分析可以发现,在较大的时间尺度上长相关只是电力营销系统网络性能分形性质的个方面。基于神经网络的电力营销系统网络预测计算机仿真,李捷,刘瑞新,刘先省,韩志杰种基于混合模型的实时网络流量预测算法计算机研究与发展,郑成兴网络流量预测方法和实际预测分析计算机工程与应用,杨兆升,王媛,管青基于支持向量机方法的短时交通流量预测方法吉林大学学报工学版,白翔宇,叶新铭,蒋海基于小波变换与自回归模型的网络流量预测计算机科学,。基于神经网络模型在网络流量预测中的应用研究计算机仿真,刘宁,陈昱颋,虞慧群,范贵生基于神经网络的交通流量预测方法华东理工大学学报自然科学版,崔艳,程跃华小波支持向量机在交通流量预测中的应用计算机仿真,冯明发,卢锦川粒子群优化神经网络的短时交通流量预测计算机仿真,李捷,刘瑞新,刘先省......”。

6、“.....在使用神经网络电力营销系统模型的系统中,随着电网流量的不断增加,网络利用率也会不断提升。在电网流量达到时,相对于原有系统,使用神经网络电力专网模型的系统利用率可提高以上。图显示了系统时延的仿真结果,从图中可以明显看出使用神经网络电力专网模型的系统可以降低网络阻塞,缩短系统处理时延。本文按照电力专网的特殊架构,建以降低网络阻塞,缩短系统处理时延。本文按照电力专网的特殊架构,建立了基于神经网络的电力营销系统信息预测模型,构建了电力营销系统的特征信息集,并设定了网络预测的信息过滤规则。此外,基于构建的电力营销系统网络性能预测模型,进步研发了电力专网流量过滤模块。通过网络仿真结果显示,基于神经网络的电力营销系统网络性能预测模型力营销系统网络预测结果进行了仿真。其中图为非用电高峰时段电网电力营销系统流量预测结果图,图为用电高峰时段电网电力营销系统流量预测结果图......”。

7、“.....为了对神经网络电力营销系统网络预测模型性能进行评估,本文对使用该模型后的系统网络利用率与网络时延进基于神经网络的电力营销系统网络性能预测模型原稿性能预测模型原稿。电力营销系统神经网络学习过程是由正向计算进行输出以及误差进行反向传播的多次迭代过程组成,系统误差将会随着迭代次数的增多而减小,训练过程将会收敛到组较稳定的权。对于电力营销系统神经网络学习算法,其具体步骤可以归纳如下在训练样本中取出样本,将其输入的信息输入进网络中。根据网络的结构正向计算出每层节点的输以降低网络阻塞,缩短系统处理时延。本文按照电力专网的特殊架构,建立了基于神经网络的电力营销系统信息预测模型,构建了电力营销系统的特征信息集,并设定了网络预测的信息过滤规则。此外,基于构建的电力营销系统网络性能预测模型,进步研发了电力专网流量过滤模块。通过网络仿真结果显示......”。

8、“.....其具体步骤可以归纳如下在训练样本中取出样本,将其输入的信息输入进网络中。根据网络的结构正向计算出每层节点的输出。自相似性与长相关性自相似是就是从特定角度来看,部分的特征和全局的特征进行对比所呈现出的相似性,并且同时具有的是时间维度上和空间维度上的双重含义。电力营销系统网络性能呈现出长程相在特征层将电网元信息特殊特征类别等各种信息,结合起来描述特定模式。在中,权和节点可以映射成向量模型,噪声或节点噪声与节点和非节点可以映射到布尔模型。虚拟特征层虚拟特征层与特征层之间的连接可将未在特征层出现的数据映射到特征层,这种映射基于的是已有的数据表现形式。仿真环境本文测试在仿真平台上进行。测试数据来源电力营销系统网络性能预测模型原稿。计算网络的期望输出和实际输出的误差。从输出层开始进行反向计算,直到第个隐含层......”。

9、“.....电力营销系统神经网络学习过程是由正向计算进行输出以及误差进行反向传播的多次迭代过程组成,系统误差将会随着迭代次数的增多而减小,训练过程将会收敛到组较稳定的权。出,在使用神经网络电力营销系统模型的系统中,随着电网流量的不断增加,网络利用率也会不断提升。在电网流量达到时,相对于原有系统,使用神经网络电力专网模型的系统利用率可提高以上。图显示了系统时延的仿真结果,从图中可以明显看出使用神经网络电力专网模型的系统可以降低网络阻塞,缩短系统处理时延。本文按照电力专网的特殊架构,建够有效降低网络阻塞,提高网络使用效率。参考文献张冉,赵成龙模型在网络流量预测中的应用研究计算机仿真,刘宁,陈昱颋,虞慧群,范贵生基于神经网络的交通流量预测方法华东理工大学学报自然科学版,崔艳,程跃华小波支持向量机在交通流量预测中的应用计算机仿真,冯明发......”。