این مقاله انگلیسی در نشریه آی تریپل ای در 6 صفحه در سال 2016 منتشر شده و ترجمه آن 17 صفحه بوده و آماده دانلود رایگان می باشد.
دانلود رایگان مقاله انگلیسی (pdf) و ترجمه فارسی (pdf + word) | |
عنوان فارسی مقاله: |
پیش بینی ترافیک آینده با استفاده از مدل های پنهان مارکوف |
عنوان انگلیسی مقاله: |
Predicting Future Traffic using Hidden Markov Models |
دانلود رایگان مقاله انگلیسی | |
دانلود رایگان ترجمه با فرمت pdf | |
دانلود رایگان ترجمه با فرمت ورد |
مشخصات مقاله انگلیسی و ترجمه فارسی | |
فرمت مقاله انگلیسی | |
سال انتشار | 2016 |
تعداد صفحات مقاله انگلیسی | 6 صفحه با فرمت pdf |
نوع نگارش | مقاله پژوهشی (Research article) |
نوع ارائه مقاله | کنفرانس |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر – مهندسی فناوری اطلاعات |
گرایش های مرتبط با این مقاله | هوش مصنوعی – شبکه های کامپیوتری – سامانه های شبکه ای |
چاپ شده در مجله (ژورنال)/کنفرانس | کنفرانس بین المللی پروتکل های شبکه |
کلمات کلیدی | مدل های پنهان مارکوف – اندازه گیری حجم – مدل های پیش بینی – کنفرانس ها – توموگرافی – هسته – شبکه های عصبی بیولوژیکی |
کلمات کلیدی انگلیسی | Hidden Markov models – Volume measurement – Predictive models – Conferences – Tomography – Kernel – Biological neural networks |
ارائه شده از دانشگاه | دانشگاه پوکفولام هنگ کنگ، هنگ کنگ |
شناسه دیجیتال – doi | https://doi.org/10.1109/ICNP.2016.7785328 |
لینک سایت مرجع | https://ieeexplore.ieee.org/document/7785328 |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
نشریه |
آی تریپل ای – IEEE
|
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | 17 صفحه با فونت 14 B Nazanin |
فرمت ترجمه مقاله | pdf و ورد تایپ شده با قابلیت ویرایش |
وضعیت ترجمه | انجام شده و آماده دانلود رایگان |
کیفیت ترجمه |
مبتدی (مناسب برای درک مفهوم کلی مطلب) |
کد محصول | F2489 |
بخشی از ترجمه |
مدلهای خطی به راحتی قابل پیاده سازی هستند و تفسیر خوبی دارند و بنابراین در بسیاری از مسائل تحلیل سری زمانی در کارهای واقعی به طور گسترده ای مورد استفاده قرار می گیرند. با این حال، نشان داده شده است مدل های خطی برای توصیف برخی از رفتارهای غیرخطی از ترافیک شبکه کافی نیستند. برای انعطاف پذیری بیشترمدل، همچنین کارهایی با استفاده از شبکه عصبی مصنوعی (ANN) برای تقریب عملکرد غیرخطی تابع f وجود دارد. اگرچه ایده پیش بینی غلتان با استفاده از مشاهدات قبلی، ساده و کارآمد به نظر می رسد ، اما محدودیت اصلی این است که باید در فواصل زمانی متوالی حجم ترافیک را جمع آوری کند که می تواند به خصوص در یک شبکه با سرعت بالا در مقیاس بزرگ بسیار گران باشد. برای جلوگیری از اندازه گیری مستقیم حجم ترافیک، روش هایی وجود دارد که به آن توموگرافی شبکه گفته می شود که برای تخمین حجم ترافیک از داده های link utilization پیشنهاد شده است و سپس از ترافیک تخمین زده شده برای انجام پیش بینی همانطور که در قسمت بعدی توضیح داده شده استفاده می کند. B. توموگرافی شبکه توجه داشته باشید که فرض می کنیم در طول دوره مشاهده ، ماتریس روتینگ تغییر داده نشده است. حتی با این فرض، سیستم حل توصیف شده در معادله 3 بسیار مشکل است زیرا سیستم نامعین است زیرا تعداد لینک ها معمولا به مراتب کمتر از تعداد جفت های هاست های انتهایی در یک شبکه هستند. 3. حدس زدن و پیش بینی حجم ترافیک با استفاده از HMM ها شکل 2 رابطه بین تعداد جریان در شکاف های زمانی مختلف و حجم کل جریان مربوطه را (بر حسب بایت) نشان می دهد. در اینجا سری های زمانی را مانند آنهایی که دارای میانگین و انحراف معیار های صفر دارند را نرمالیزه می کنیم. ما می توانیم ببینیم که می توان از این ارتباط برای حدس زدن حجم بر اساس شمارش جریان (flow count) استفاده کرد زیرا همبستگی مهمی بین شمارش جریان (flow count) و حجم ترافیک وجود دارد. A. آمارگان (آماره های) ساده جریان و تکنیک طراحی |