Технические науки/ 6. Электротехника и радиоэлектроника

Герасина А.В., Крадько Ю.Н.

Национальный горный университет, Украина

Исследование телекоммуникационного трафика с нейронной идентификацией тракта передачи

Основной проблемой в телекоммуникационных сетях является обеспечение качества обслуживания при обработке потока данных - трафика. При этом телекоммуникационный трафик относят к классу сложных сигналов - нестационарных, стохастических, нелинейных (включая хаотическую динамику и фрактальную размерность). Системы оптимизации такими процессами требуют использования имеющейся априорной информации в виде математической модели как на стадии проектирования, так и в процессе функционирования системы. Для этого применяют различные методы идентификации трактов передачи.

Для решения задач идентификации широко используются методы интеллектуальной обработки информации, которые являются универсальными и эффективными аппроксиматорами. Наиболее продуктивными считаются использование искусственных нейронных сетей или гибридных нейронных сетей с нечеткой логикой.

Процесс структурно-параметрической идентификации включает определение структуры, оценку и оптимизацию параметров модели ОУ. При этом актуальной проблемой является выбор базисных функций в терминах которых осуществляется идентификация, а также выбор эффективного для конкретного случая критерия.

Исследования приема сигналов со структурно-параметрической идентификацией тракта передачи проводились при вариации следующих структурных характеристик:

А) базисных функций (каскадная нейронная сеть прямого распространения; нейронная сеть с радиальными базисными функциями; гибридная нейронная сеть с нечеткой логикой);

Б) количество нейронов в скрытом слое;

В) функции активации выходного и скрытого слоев нейронных сетей (функции принадлежности – для нейронной сети с нечеткой логикой);

Г) функции обучения.

При этом параметрами нейронной сети являются весовые коэффициенты.

Качество приема оценивалось по комбинированному критерию:

J_комб = µJ_ε +( 1 – µ) J_см , 0 ≤ µ ≤ 1 ,

где J_ε - критерий регулярности (критерий минимума относительной ошибки пошагового интегрирования), J_см - критерий несмещенности (минимума смещения).

Моделирование производилось с помощью разработанных программ в среде Matlab [1].

Минимуму комбинированного критерия для рассмотренных процессов при выборе каскадной нейронной сети прямого распространения соответствуют следующие структурные характеристики:

· количество нейронов в скрытом слое равно 15;

· функция активации скрытого слоя – гиперболическая тангенциальная, выходного слоя - линейная;

· обучение нейронной сети производилось по методу градиентного спуска.

Значение комбинированного критерия при этом равно 0.1317.

Минимуму комбинированного критерия для рассмотренных процессов при выборе нейронной сети с радиальными базисными функциями соответствуют следующие структурные характеристики:

· количество нейронов в скрытом слое равно 2;

Значение комбинированного критерия при этом равно 0.0925.

Минимуму комбинированного критерия для рассмотренных процессов при выборе гибридной нейронной сети с нечеткой логикой соответствуют следующие структурные характеристики:

· функции принадлежности – треугольная и колоколообразная;

· обучение нейронной сети производилось по гибридному алгоритму.

Значение комбинированного критерия при этом равно 0.0804

Рис.1. Результаты идентификации при использовании гибридной нейронной сети с нечеткой логикой

В целом проведенные исследования позволили доказать эффективность использования гибридных нейронных сетей с нечеткой логикой для идентификации телекоммуникационного трафика. Полученные результаты являются важным материалом в дальнейших исследованиях свойств и природы сетевого трафика в телекоммуникационных системах.

Литература:

1. Дьяконов В., Круглов В. Математические пакеты расширения Matlab. Специальный справочник. – СПб.: Питер, 2001. – 480 с.