于洋;孙成伟;张冰冰;宋建辉
【摘 要】It is important that data center temperature prediction is used in improving the energy efficiency,reducing computer room air-conditioning power consumption,RBF neural network is widely used in prediction of temperature field.Considering the traditional RBF neural and network does not affect the temperature of many factors identified and selective,a cloud model and RBF neural network combined with the new model is presented.Through Gao-wei-yun RBF transformation hidden layer neurons is determined.The RBF neural network makes neural network fully express the influence of temperature factor uncertainty,and further optimize the structure of RBF neural network.Simulation results show that the algorithm can better realize data center temperature prediction.%数据中心温度预测在提高能量利用效率、降低机房空调耗电量方面具有重要意义.RBF神经网络广泛用于温度预测领域,考虑到传统RBF神经网络无法对影响温度的众多因子进行确定和选择,本文提出了一种将云模型和RBF神经网络结合的新模型.通过
高维云变换确定RBF隐含层神经元,使RBF神经网络充分表达影响温度各因子的不确定性,进一步优化RBF神经网络结构.实验结果表明,该模型能较好地实现对数据中心温度的预测.
【期刊名称】《沈阳理工大学学报》
【年(卷),期】2013(032)004
ugcam
【总页数】6页(P9-14)
【关键词】数据中心;云模型;云变换;RBF神经网络;温度预测
【作 者】于洋;孙成伟;张冰冰;宋建辉
【作者单位】沈阳理工大学,信息科学与工程学院,辽宁沈阳110159;沈阳理工大学,信息科学与工程学院,辽宁沈阳110159;沈阳理工大学,信息科学与工程学院,辽宁沈阳110159;沈阳理工大学,信息科学与工程学院,辽宁沈阳110159
【正文语种】中 文
【中图分类】TP277
数据中心温度预测是在平时采集温度数据的基础上，根据设备运行需要对未来温度变化做出的预先定量估计，其预测精确程度将决定空调制冷效率和设备运行好坏，它是数据中心得以正常运行的重要依据。数据中心温度是一个动态的非线性系统，不同设备工作时产生不同的热量，造成数据中心机房的温度分布不均。
用以时间为自变量的代数方程或微分方程的函数来描述温度的分布是十分困难的。目前传统的预测方法有经验法、回归分析法等。而RBF神经网络由于具有快速的学习能力和广泛的拓扑关系而备受青眯。更有学者将模糊理论和神经网络相结合建立出预测精度更高的模糊神经网络模型［1］，但随着影响数据中心温度因素不断增多，以及各影响因素影响程度比重性和评价各影响因素标准性不同，使数据的模糊性和随机性得不到联系和度量，模糊神经网络模型“模糊不彻底性”问题日益突出。为克服上述问题，将云模型引入到RBF神经网络，使“模糊性和随机性结合起来”用于改进RBF神经网络算法，提出了云模型RBF神经网络。 本文将应用云理论建立相关的云模型，通过数据的收集和分析，研究影响数据中心［2］温度变化的不同因素及其取值的分布规律，并在此基础上建立各因素的云推理规则，再结合RBF神经网络算法对数据中心温度进行预测。
1 云理论
1.1 云模型与云规则生成器
翼首草
云模型有3个数字特征期望Ex、熵En和超熵He，它们反映了定性描述的定量特性。正态云模型是最基本的云模型，它的期望曲线是一个正态特性曲线，其结构如图1所示。
图1 云特征结构图
云分布曲线为。国民生产总值平减指数
云发生器可分为正逆向云发生器和X、Y条件云发生器，还可以根据单规则生成多规则云发生器［3］。
1.2 云变换及拟合
云变换［4］是一种定量数据到定性概念转换的方法，给定论域中某个数据属性X的频率f(x)，根据X的属性值频率的实际分布情况，生成若干个粒度不同的云C(Exi，Eni，Hei)的叠加，每个云代表一个离散的、定性的概念。其数学表达为
式中，ai为幅度系数，n为变换后生成的离散概念的个数，其拟合算法如下:
Step1统计出属性定义域中个数据点的分布，并得到曲线gi。
Step2出分布函数gi波峰的位置，将其定义为云的期望Exi，在此期望基础上计算出云模型的熵Eni，便推出云模型的数据分布函数gi(x)。
Step3在gi数据中减去gi(x)得到新的分布函数g(x)在此基础上重复step2和step3，得到诸多分布函数gi(x)。
Step4得到曲线分布函数。
2 RBF神经网络
2.1 RBF神经网络的结构及映射
RBF网络基本结构为三层，和BP网络一样，RBF网络也是一种静态前向网络，第一层为输入层，由信号原结点组成;第二层为隐含层，其神经元个数根据所描述问题的需要而定;第三层为输出层，它对输入模式的作用响用，图2为RBF神经网络结构图。
图2 RBF神经网络结构图
RBF神经网络［5］的映射关系由两个部分组成(设输入的维数为n，隐单元数为m，输出维数为l)，第一部分:从输入空间到隐层空间的非线性变换层。
这里Φ(·)为径向基函数(即隐含单元的变换函数)，是一种局分布的对中心点径向对称衰减的非线性函数，即高斯函数。其中:‖·‖是范数，通常取2 范数，X 为 n 维输入向量，X= ［x1，x2，...，xn］，Ci为第i个隐含层单元的中心。
第二部分:从隐含层空间到输出层空间的线性合并层，输出为
式中:Wi为第i个隐层单元与输出之间的连接权;m为隐层单元数。
2.2 RBF神经网络工作原理及训练准则
RBF神经网络的工作原理:原始数据经过输入层的线性传递至隐含层，隐含层的基函数为非线性的高斯函数，经过非线性变换，即将原始数据的输入信号直接(即不通过权值连接)映射到隐含层空间，信号传至输出层，经过线性变换，RBF网络最终输出。其本质是选择适当的基函数和隐含层单元数和连接权值。声音定位系统
应用于RBF神经网络的训练和优化的算法［6］，如梯度算法、K-mean算法等都是围绕确定网络的权值、中心和宽度来展开的。研究表明，网络的中心和宽度决定权值，因此RBF神经网络的训练和优化的重点就转化到基函数中心和宽度的确定上。铁皮石斛组培
3 云模型的RBF神经网络及应用
3.1 模型改进原理
通过对云理论和RBF神经网络的研究，发现正态云模型与RBF神经网络的径向基函数十分相似，因为云模型的实现需要三个参数(期望Ex、熵En、超熵He)，而RBF神经网络的训练和学习也需确定数据中心、宽度、和连接权值。这样就可以将云模型三维期望Ex代替数据中心，熵En代替宽度，对于连接权值仍用RBF神经网络传统方法实现，从而实现了二者的结合，融合后的模型既可以将云模型的模糊性和随机性引入新算法，使其输出结果实现了模糊性和随机性的统一，同时又保留了RBF的学习能力和拓扑关系。改进的RBF神经网络的参数确定方法［7］避开了云模型在应用中的模糊规则提取问题。
3.2 模型的实现算法
过氧化值
1)对影响描述对象的n个因素数据进行基于云变换的数据拟合，即将连续的数据离散成相对应的正态云曲线［8］，得到n个因素的正态云。
2)根据影响描述对象的因素因子和高维云理论，构造n维正态云模型，用n维正态逆向云算法，从每一组正态云曲线中用最大值法取特定的数目的云来构造高维云，通过高维云可求出RBF神经网络隐含层节点个数，n维正态云发生器算法［9］ 描述:
(1)根据输入样本的各维数据生成t个以(Ex1，Ex2，...，Exn)为期望和以(En1，En2，...，Enn)为方差 n维正态随机数 ai=(a1i，，ani)，i=1，2，...，t;
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议