Пошук академічних текстів

Інформація × Реєстраційний номер 0220U101941, 0119U000258 , Науково-дослідна робота Назва роботи Дослідження об'єднаної комп'ютерної мережі залізничного транспорту на імітаційній та нейронній моделях Назва етапу роботи Керівник роботи Пахомова Вікторія Миколаївна, Дата реєстрації 28-02-2020 Організація виконавець Дніпровський національний університет залізничного транспорту імені академіка В. Лазаряна Опис етапу  Створена в моделюючій системі OpNet Modeler імітаційна модель об’єднаної комп’ютерної мережі залізничного транспорту України (спрощений фрагмент) за технологіями родини Ethernet, яка складається із 44 основних станцій, що об’єднані у шість підмереж: Південно-Західна; Південна; Львівська; Одеська; Придніпровська та Донецька. На створеній імітаційній моделі проведено дослідження за сценаріями RIP та OSPF наступних характеристик: навантаження сервера; часу очікування пакетів в черзі; часу обробки пакетів маршрутизатором; втрат пакетів на маршрутизаторі від зміни довжини пакету та типу трафіку. Для визначення оптимального маршруту при передачі керуючих повідомлень в об’єднаній мережі залізничного транспорту (магістральний рівень) за допомогою Neural Network Toolbox середовища MatLAB створена нейронна модель «21–1–Х–21», на вхід якої подається масив затримок на маршрутизаторах; у якості результуючого вектора ознаки входження каналів зв’язку мережі до маршруту. На нейронній мережі проведено дослідження середньоквадратичної похибки та часу навчання від кількості прихованих нейронів (10, 45 та 90), від довжини навчальної вибірки (50, 100 та 152 прикладів) за різними алгоритмами навчання: Levenberg-Marquardt; Bayesian Regularization; Scaled Conjugate Gradient. Визначено, що оптимальним варіантом є конфігурація 21–1–45–21 за алгоритмом Levenberg-Marquardt, для навчання якої достатньо 100 прикладів. Наукова новизна. Побудовані залежності середньоквадратичної похибки й часу навчання нейронної мережі (кількості епох) від кількості прихованих нейронів за алгоритмами навчання Levenberg-Marquardt, Bayesian Regularization, Scaled Conjugate Gradient на вибірках різної довжини. Практична значимість. Використання багатошарової нейронної моделі, на вхід якої подають значення затримок на маршрутизаторах, дозволить у масштабі реального часу визначити відповідні маршрути передачі керівних повідомлень в мережі ІТС залізничного транспорту на магістральному рівні. Опис продукції 2. Для визначення оптимального маршруту керуючих повідомлень в об’єднаній мережі залізничного транспорту (магістральний рівень) за допомогою Neural Network Toolbox середовища MatLAB створена нейронна модель «21–1–45–21», на вхід якої подається масив затримок на маршрутизаторах; у якості результуючого вектора – ознаки входження каналів зв’язку до маршруту. На нейронній мережі конфігурації 21–1–Х–21 проведено дослідження середньоквадратичної похибки та часу навчання від кількості прихованих нейронів (10, 45 та 90) та часу навчання від довжини навчальної вибірки (50, 100 та 152 прикладів) за різними алгоритмами навчання: Levenberg-Marquardt, Bayesian Regularization та Scaled Conjugate Gradient. Визначено, що оптимальним варіантом є конфігурація 21–1–45–21 за алгоритмом Levenberg-Marquardt, для навчання якої достатньо 100 прикладів. Автори роботи Пахомова Вікторія Миколаївна Додано в НРАТ 2020-04-02 Закрити