Прогнозування затримок на маршрутизаторах з використанням нейронної технології
| dc.contributor.author | Ріпка, Єлизавета Валеріївна | uk_UA |
| dc.date.accessioned | 2021-03-13T07:53:35Z | |
| dc.date.available | 2021-03-13T07:53:35Z | |
| dc.date.issued | 2020 | |
| dc.description.abstract | UK: У дипломній магістерській роботі виконано огляд моделей, методів та засобів прогнозування з використаням нейромережної технології. Для однокрокового прогнозування із глибиною занурення 4 затримки на маршрутизаторі комп’ютерної мережі обрано багатошарову нейронну мережу (Multi Layer Perceptron, MLP). Проведений розрахунок показника Херста часового ряду затримок на маршрутизаторі комп’ютерної мережі говорить про його персистетність. Для прогнозування затримки на маршрутизаторі створена в MatLAB нейронна мережа конфігурації 4-1-16-1 (4 – кількість вхідних нейронів, 1 – кількість проміжних шарів, 16 – кількість прихованіх нейронів, 1 – кількість результуючих нейронів). У якості функції активації нейронів прихованого шару взято гіперболічний тангенс, вихідного шару – лінійна функція. На створеній моделі проведене дослідження середньоквадратичної похибки нейронної мережі від кількості прихованих нейронів за різними методами навчання. | uk_UA |
| dc.description.abstract | EN: In the master's thesis the review of models, methods and means of forecasting with the use of neural network technology is performed. A multilayer neural network is selected for one-step prediction with a dive depth of 4 delays on a computer network router (Multi Layer Perceptron, MLP). The calculation of the Hirst index of the time series of delays on the router of the computer network indicates its persistence. To predict the delay on the router, a neural network of 4-1-16-1 configuration (4 – the number of input neurons, 1 – the number of intermediate layers, 16 – the number of hidden neurons, 1 – the number of resulting neurons) was created in MatLAB. As a function of activation of neurons of the first hidden layer the hyperbolic tangent is taken, the initial layer - linear function. The created model is a study of the root mean square error of the neural network from the number of hidden neurons by different teaching methods. | en |
| dc.identifier.citation | Ріпка Є. В. Прогнозування затримок на маршрутизаторах з використанням нейронної технології : дипломна робота на здобуття кваліфікаційного ступеня магістра : спец. 123 – комп’ютерна інженерія / наук. керівник В. М. Пахомова ; Дніпров. нац. ун-т залізн. трансп. ім. акад. В. Лазаряна. Дніпро, 2020. 73 с. | uk_UA |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/13008 | |
| dc.language.iso | uk_UA | |
| dc.publisher | Дніпровський національний університет залізничного транспорту імені академіка В. Лазаряна | uk_UA |
| dc.subject | маршрутизатор | uk_UA |
| dc.subject | затримка | uk_UA |
| dc.subject | прогноз | uk_UA |
| dc.subject | оцінка | uk_UA |
| dc.subject | вибірка | uk_UA |
| dc.subject | функція активації | uk_UA |
| dc.subject | MSE | en |
| dc.subject | MLP | en |
| dc.subject | router | en |
| dc.subject | delay | en |
| dc.subject | prediction | en |
| dc.subject | sampling | en |
| dc.subject | activation function | en |
| dc.subject | estimation | en |
| dc.subject | ВКР | uk_UA |
| dc.title | Прогнозування затримок на маршрутизаторах з використанням нейронної технології | uk_UA |
| dc.title.alternative | Prediction of Router Delay using Neural Network Technology | en |
| dc.type | Master Thesis | en |