ivdon3@bk.ru
В данной статье мы рассмотрели и проанализировали различные модели прогнозирования временных рядов, используя данные, собранные с мобильных устройств IoT. Основное внимание уделено моделям, описывающим поведение трафика в телекоммуникационных системах. Рассмотрены методы прогнозирования, такие как экспоненциальное сглаживание, линейная регрессия, авторегрессионное интегрированное скользящее среднее (ARIMA), а также N-BEATS, который использует полносвязные слои нейронной сети для прогнозирования одномерных временных рядов. В статье кратко описаны особенности каждой модели, рассмотрен процесс их обучения, и проведен сравнительный анализ качества обучения. На основе анализа данных отмечено, что для протокола UDP модель ARIMA обладает лучшим качеством обучения, для протокола TCP - линейная регрессия, а для протокола HTTPS - ARIMA.
Ключевые слова: телекоммуникационные системы, анализ трафика, модели прогнозирования, QoS, искусственный интеллект, линейная регрессия, ARIMA, Theta, N-BEATS
Проведен сравнительный анализ алгоритмов обучения искусственных нейронных сетей персептронного типа таких, как генетический, адаптивный и гибридный. В результате сравнения установлено, что адаптивный алгоритм лучше справился с поставленной задачей, чем остальные алгоритмы. Гибридный алгоритм целесообразнее использовать в задаче со сложной целевой многоэкстремальной функцией, в которой адаптивный алгоритм работает хуже .
Ключевые слова: искусственные нейронные сети, многослойный персептрон, генетический, адаптивный, гибридный алгоритм
05.13.18 - Математическое моделирование, численные методы и комплексы программ
В данной работе рассмотрена задача построения алгоритма классификации сигналов с использованием самоорганизующихся гибридных нейронных сетей и быстрого вейвлет-преобразования, представляющего собой особый тип линейного преобразования сигналов и отображаемых этими сигналами физических данных о процессах и физических свойствах природных сред и объектов реализованного с помощью быстрых нейросетей.
Ключевые слова: сигнал, классификация, нейросеть, самоорганизация, вейвлет.
Ключевые слова:
05.13.18 - Математическое моделирование, численные методы и комплексы программ