Прогнозування затримки на маршрутизаторі комп’ютерної мережі засобами нейронечіткої мережі

UKR: Магістерська робота виконана на 64 сторінках, містить 47 ілюстрацій, 3 таблиці, 21 джерело та 4 додатків. Створена в системі MatLAB нейронечітка мережа (глибина занурення – 3), в основі якої система із 8 правил при наступних параметрах: Гауссовський тип приналежності для вхідних нейронів; лінійний тип приналежності для результуючого нейрону; гібридний метод оптимізації навчання. Мета дослідження – прогнозування затримки на маршрутизаторі комп’ютерної мережі засобами нейронечіткої мережі. Об’єкт дослідження – часовий ряд затримок на маршрутизаторі комп’ютерної мережі. Предмет дослідження – параметри нейронечіткої мережі. Методи дослідження – розрахунок показника Херста для часового ряду затримок на маршрутизаторі комп’ютерної мережі; створення за методом Сугено нейронечіткої мережі для прогнозування затримки на маршрутизаторі; навчання та тестування створеної нейронечіткої мережі за різними методами оптимізації: зворотнього поширення помилки та гібридним; оцінка за допомогою MAPE прогнозу на створеній нейронечіткій мережі. У роботі визначені похибки створеної нейронечіткої мережі при навчанні та тестуванні. Проведено дослідження похибки створеної нейронечіткої мережі при використанні різних функцій приналежності нейронів.

ENG: The master's thesis is written on 64 pages, contains 47 illustrations, 3 tables, 21 sources and 4 appendices. A neurofuzzy network created in the MatLAB system (immersion depth – 3), which is based on a system of 8 rules with the following parameters: Gaussian type of affiliation for input neurons; linear affiliation type for the resulting neuron; A hybrid method of learning optimization. The purpose of the study was to predict the delay on the router of a computer network by means of a neurofuzzy network. The object of the study is the time series of delays on the router of a computer network. The subject of the research is the parameters of the neurofuzzy network. Research methods – calculation of the Hurst indicator for the time series of delays on the router of a computer network; creation of a neurofuzzy network using the Sugeno method to predict the delay on the router; training and testing of the created neurofuzzy network using various optimization methods: reverse error propagation and hybrid; evaluation using MAPE prediction on the created neurofuzzy network. The paper identifies the errors of the created neurofuzzy network during training and testing. A study of the error of the created neurofuzzy network when using various functions of neuronal affiliation was carried out.