پاورپوینت توسعه هیبرید هوش مصنوعی بر اساس تصمیم انتقال الگوریتم

توضیحات

عنوان: توسعه هیبرید هوش مصنوعی بر اساس تصمیم انتقال الگوریتم

• چکیده
• معرفی
• بررسی
• کاربرد تکنیک های هوش مصنوعی درطرح انتقال
•  توسعه الگوریتم انتقال  مبتنی بر هوش مصنوعی ترکیبی
• نتایج و بحث
•  نتیجه گیری

چکیده

با وجود تعداد زیادی از الگوریتم های انتقال موجود، امکان انتقال یکپارچه به عنوان یک معجزه باقی می ماند.رد پای عامل اصلی که مسئول این امر است به ماژول تصمیم گیری انتقال درفرآیند انتقال می رسد. از این رو، در این مقاله،  توسعه هیبرید جدید الگوریتم انتقال تصمیم گیری هوش مصنوعی مورد بررسی قرار گرفته است.  مدل توسعه یافته ، ترکیبی ازشبکه عصبی مصنوعی (ANN) است که بر اساس مدل پیش بینی و منطق فازی شکل گرفته است. در دسترسی به شبکه ،قدرت سیگنال  دریافتی ،در طول یک دوره زمانی برای تشکیل یک سری داده های زمان به دست آمده است.سپس داده به مرحله  K تازه پیشنهاد شده جلوتر از سیستم شبکه عصبی مبتنی برسیستم پیش بینی RSS به منظور  برآورد ضرایب مدل پیش بینی، تزریق گردید. وزنهای سیناپسی و ضرایب انطباق ANN  آموزش دیده  برای محاسبه  KSAPB بر اساس ضرایب مدل پیش بینی مورد استفاده قرار گرفتند. مقدار RSS پیش بینی شده ،سپس  به عنوان مجموعه های فازی ، کد گذاری و ساماندهی شده و بهمراه  سایر پارامترهای اندازه گیری شده شبکه، به منظور تصحیح فرایند تصویب سرویس انتقال، به کنترل کننده منطق فازی تغذیه شدند  تا فرآیند انتقال تصمیم را نهایی کنند.اجرای مرحله جدید توسعه یافته k که پیشتر از مرحله ANN قرار دارد و مبتنی بر الگوریتم پیش بینی است با استفاده از داده های واقعی و شبیه سازی شده مورد ارزیابی قرار گرفت و این داده ها از شبکه های سیار ارتباطی موجود بدست آمده بودند. . نتایج به دست آمده در هر دو مورد نشان می دهد که الگوریتم پیشنهاد شده قادر به پیش بینی  جلوتر مقدار RSS  تا حدود ± 0.0002 دسی بل میباشد. همچنين، اثرآبشاری ماژول تصمیم انتقال کامل، نيز ارزيابي شد. نتایج به دست آمده نشان داد که رویکرد ترکیبی تازه پیشنهاد شده ،قادراست که  اثر پینگ پنگی مرتبط  با دیگرتکنیک های انتقال را کاهش دهد.

1. 1. معرفی

با افزایش اخیر در تقاضا برای خدمات ارتباطات بی سیم ، نیاز ی به حل مشکل ارتباطات ناکارآمد و بعضی اوقات کیفیت ضعیف خدمات  (QoS) مرتبط با  ارتباط بی سیم موبایل حس میشود. تحرک یکپارچه با نرخ حداقل اتلاف بسته و کم پنهانی در سراسر اپراتورهای مختلف شبکه ،یک  معجزه بوده است. [1-5) تقاضا برای کیفیت و کارآیی  در قابلیتهای ارتباطی و اپراتورهای شبکه،  منجر به استقرار ایستگاه های شبکه تلفن همراه بشکل ایستگاه فرستنده پایه (BTS) شده اند . پوشش سیگنال معمولا به سلول هایی تقسیم می گردد  و هر سلول با  مناطق هم پوشانی شده  تحت پوشش BTS پوشش داده میشود.حرکت و جنبش گره های ارتباطی یا ایستگاه های موبایل، بعضی اوقات به این حقیقت اشاره مینمایند که تلفن های سلولی  یا تلفن های همراه در سیستم ارتباطات بی سیم موبایل توسط پروتکل های مدیریت تحرک مدیریت می گردند این پروتکلها ،مکان ایستگاه های تلفن همراه در شبکه را ردیابی می کنند  (که تحت عنوان مدیریت مکان شناخته میشوند ) و تحویل دقیق بسته ها ،هنگامیکه  گره های تلفن همراه از یک منطقه تحت  پوشش BTS به منظقه دیگری عبور می کنند ،را تضمین می نمایند (مدیریت انتقال ) [6].انتقال (همچنین به عنوان Handoff شناخته می شود) به فرایند انتقال نقطه اتصال ایستگاه تلفن همراه به شبکه ،از یک BTS به BTS دیگر اطلاق می گردد و زمانی رخ میدهد که  ایستگاه تلفن همراه از منطقه پوشش BTS اولیه به منطقه پوشش BTS هدف جابجا میشود. . انتظار می رود این فرایند یکپارچه بوده ، و بنابراین از این بابت که فرآیند  کاهش نمی یابد و کاربر QoS ضعیف را تجربه نمی کند اطمینان حاصل میگردد. تلاشها  در حل مسئله فوق، منجر به استفاده از بیش از یک تلفن همراه با  کارت های ماژول شناسایی هویت چند مشترکی  گردیده است . با وجود اقدامات کوتاه مدت انجام شده توسط کاربران، مشکل شناسایی به ویژه مشکل انتقال در  سراسر شبکه های مختلف با فن آوری مشابه ،حل نشده است. از این رو، توسعه هوش مصنوعی هیبریدی بر اساس الگوریتم انتقال تصمیم ،در این مقاله توسعه یافته است. رویکرد ترکیبی متشکل از مرحله k آبشاریست که یک  قدم جلوتراز شبکه عصبی مصنوعی (ANN)است که  این شبکه نیزمبتنی برالگوریتم پیش بینی وسیستم استنتاج فازی برای  انتقال تصمیم در سیستم ارتباطی تلفن همراه میباشد. بخش باقی مانده از این مقاله به شرح زیر است:بررسی دقیق از کاربرد رویکردهای هوش مصنوعی در فرآیند انتقال که در بخش 2 بحث میشود.مشتق ریاضی که حاصل  KSAPB بوده  و مبتنی بر الگوریتم پیش بینی وسیستم منطق فازی است ،در بخش 3  ارایه میشود. نتایج به دست آمده ونتیجه گیری به ترتیب.در بخش 4 و بخش 5 آمده اند.

2. بررسی:

کاربرد تکنیک های هوش مصنوعی درطرح انتقال :

تلاشهای متعددی  درمقالات مربوط به استفاده از تکنیک های مختلف هوش مصنوعی در فرایندهای انتقال مورد گزارش قرار گرفته اند.  [1-5،7-9]. در این مقاله، مرور  تلاش های گزارش شده ،به مراحل زیر گروه بندی شده اند:   رویکرد مبتنی بر ANN؛  رویکرد مبتنی برمنطق فازی؛   رویکرد  مبتنی برالگوریتم ژنتیک و  رویکرد مبتنی برپیش بینی. بررسی رویکردهای مبتنی بر ANN در فرایند انتقال تصمیم در بخش 2.1 ارائه شده است، در حالی که منطق فازی مبتنی بر رویکردها در بخش 2.2 آمده است. فرآیندهای انتقال تصمیم ،که  از الگوریتم ژنتیک استفاده می کنند  در بخش 2.3 آمده است  وآنهایی که مبتنی بر پیش بینی هستند  در بخش 2.4 آمده است.

 2.1 کاربرد رویکرد ANN در فرآیند انتقال:

استفاده از یک ANN سه لایه ای در مدیریت انتقال سلولی در منبع شماره[3] گزارش شده است. رویکرد پیشنهادی شامل استفاده ازقدرت سیگنال دریافتی و شدتهای ترافیک از  BTS های هدف و خدمت در اجرای سیستم انتقال تصمیم گیری است . آستانه و حاشیه هیسترزیس به تصویب رسید وانتقال تصمیم ،تنها زمانی که سیگنال دریافت شده بالاتر از مقدار معین بود شروع میشد. بنابراین، انتقال تصمیم گیري بر اساس سیگنال مبتنی بر رویکرد اندازه گیری بود [3]. توسعه یک روش شناسایی الگومبتنی بر  ANNدر الگوریتم انتقال برای سیستم های میکرو سلولی در منبع شماره [4] پیشنهاد شده است. این طرح ،استفاده از قدرت سیگنال دریافتی (RSS) را به عنوان پارامتر اندازه گیری شده شبکه برای سیستم انتقال تصمیم ،پذیرفته است . این الگوریتم بر این فرض کار میکند که دو BTS که بین آنها یک دستگاه موبایل حرکت  می کند ،ظرفیت ارائه خدمات مشابه را دارد. با این حال ، این موضوع  به دلیل تفاوت در ظرفیت سلول وشرایط دیگر، اغلب صحیح  نیست . الگوریتم پیشنهادی متشکل از نمونه برداری از RSS و معدل گیری فضایی به منظور قالب بندی الگو  در هر نقطه نمونه برداری است  به گونه ای که دستگاه تلفن از یک BTS بهBTS دیگرحرکت  کند . سپس الگوها را به  BTS های مختلف اختصاص میدهد تا پس از اینکه  ANN برای طبقه بندی الگو مورد استفاده قرار گرفت،دسته بندی ها را نشان دهد. باا این حال، این طرح تعداد متوسط انتقال  و قطع مکالمات را با وجود  یک تاخیر تصمیم انتقال که قابل اغماض است ،  پایین  نگاه  می دارد و از اینرو یک تکنیک آستانه ای را معرفی مینماید.این روش ،همچنین تنها نیازمند یک  بردارآموزشی در هر مسیر و محیط است که باعث می شود که این روش از سایر طرح های مبتنی بر شناسایی الگو ،ساده تر شود. توسعه بهبود عملکرد انتقال درشبکه بی سیم ناهمگن با استفاده از ANN، درمنبع شماره  [10] گزارش شده است و شامل دسترسی به مدل سازی همراه با یک پارامتر انطباقی در الگوریتم تنظیم است  که از  تکنیک ANN استفاده مینماید. طرح گزارش شده ، یک تنظیم پارامتر تطبیقی دارد که باعث می شود انتقال، به سرعت  با محیط شبکه مقصد سازگار گردیده واز بی ثباتی  توان مصرفی بگونه ای موثر ممانعت بعمل آید. تصمیم انتقال در سیستم ارتباطی بی سیم تلفن همراه ،با استفاده ازرویکرد ANN  در منبع شماره [11] انجام شد. یک مدل متشکل از 7 سلول با شدتهای  ترافیکی مختلف تصویب شد. مدل تصویب شده از این اصل تبعیت می کند که ایستگاه تلفن همراه در منطقه هیسترزیس می تواند به بیش از یک BTS متصل شده  و ممکن است تصمیم  بگیرد که  با کمترین شدت ترافیک به BTS  منتقل شود. ANN، بمنظور تصمیم گیری برای انتقال به BTS هدف، مورد استفاده قرار گرفت. علیرغم لحاظ قرار دادن  شدت ترافیک  به جای تعداد کانالهای آزاد ،  با استفاده از رویکرد پیشنهادی، کاهشی  در تعداد انتقالات حاصل شد . اگر چه، تماس های دریافتی از ایستگاه های تلفن که در داخل منطقه هیسترزیس نبودند ،مسدود شدند. با استفاده از پیش بینی RSS و زمان سکون ، انتقال تصمیم به کمک ANN درمنبع شماره  [12] گزارش شده است. مفاهیم زمان سکون سازگاری و عملکرد شایستگی  تعریف شدند و زمان سکون بر اساس حرکت ایستگاه تلفن همراه تنظیم شد. در ارزیابی رویکرد پیشنهادی، شبکه بی سیم ناهمگن ادغام شده با UMTS،وایمکس  و WLAN مدل سازی  شدند والگوریتم انتخاب شبکه پیشنهاد شده  با استفاده از پروتکل اینترنت موبایل مورد آزمایش قرار گرفت. ناصر و همکاران در منبع شماره [5] یک ترتیب شبکه انتقال ارائه نمودند که برای انتخاب  بهترین شبکه تلفن همراه ،به شبکه های عصبی بستگی دارد.انتظار میرود رویکرد توسعه یافته به گرایش کاربران از پیش تعریف شده و پارامتر شبکه اضافه گردد .معیارعناصر وزنی مانند تابع هزینه، امنیت و پهنای باند استفاده ،قبل از اینکه به الگوریتم ANN انتقال تصمیم ،تغذیه شوند  بین 0 تا 1  نرمال سازی شدند.تجزیه و تحلیل عملکرد نشان می دهد که میزان موفقیت بالاتر زمانی بدست آمد که در مقایسه با دیگر تکنیکها قرار گرفت. استفاده از شبکه های عصبی مبتنی بر سلول و خوشه بندی k میانگین که در برآورد  تراکم ترافیک مسیر از اطلاعات انتقال سلولی مورد استفاده قرار می گیرند  درمنبع شماره  [1] گزارش شده است. تجزیه و تحلیل عملکردنشان می دهد که میزان بالاترموفقیت  زمانی بدست آمد که در مقایسه باتکنیک های  دیگرانتقال قرار گیرد .با اجرای چندین دور از  مجموعه داده ها که زمانهای مختلف روزرا تحت پوشش قرار میدهند، اطلاعات ترافیکی درجات مختلف تراکم بدست آمدند. سپس نتایج بر علیه طبقه بندی انسانی مقایسه شدند .نتایج به دست آمده از رویکرد ANN ،عملکرد بهتر با نرخ مثبت واقعی را  برای تمام درجات تراکم در مقایسه با سایر تکنیک ها نشان می دهد . با این حال، روش پیشنهادی فقط برای مسیر غیر سیگنالی برآورد می گردد  که به نظر می رسد ساده باشد و زمان خرابی سلول های جمع شده  از تمامی محلهای سلول،بدون اطلاعات شناسایی مربوط به سلول، برای آموزش شبکه مناسب نبودند.

توجه:

• برای دانلود فایل پاورپوینت لطفا اقدام به خرید فرمایید.
• پس از خرید بلافاصله لینک دانلود فایل برای شما ایمیل خواهد شد.