Розробка програми навчання нейронної мережі на основі таблиць маршрутизації в пакеті Microsoft Excel

 

Курсовий  проект Чумаченка Олександра

МІНІСТЕРСТВО ОСВІТИ І НАУКИ, МОЛОДІ ТА СПОРТУ УКРАЇНИ

ОДЕСЬКА НАЦІОНАЛЬНА АКАДЕМІЯ ХАРЧОВИХ ТЕХНОЛОГІЙ

НАУКОВО-НАВЧАЛЬНИЙ ІНСТИТУТ ХОЛОДУ, КРІОТЕХНОЛОГІЙ ТА ЕКОЕНЕРГЕТИКИ

КАФЕДРА ІНФОРМАЦІЙНО-КОММУНІКАЦІЙНИХ  ТЕХНОЛОГІЙ

 

 

 

КУРСОВИЙ ПРОЕКТ

 

З  

(назва дисципліни)

На тему:  

 

Студента   курсу    групи

напряму підготовки  

спеціальності  

 

(прізвище та ініціали)

Керівник   

 

(посада, вчене  звання, науковий ступінь, прізвище  та ініціали)

Національна шкала 

Кількість балів:  Оцінка:ECTS  

Члени комісії              

(підпис)                      (прізвище та ініціали)

        

(підпис)                      (прізвище та ініціали)

        

(підпис)                      (прізвище та ініціали)

 

м.    - 20    рік 

ЗМІСТ

ВСТУП 3

1 РОЗРОБКА СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ (СППР) ДЛЯ ПРОЕКТУВАННЯ КОМП’ЮТЕРНОЇ МЕРЕЖІ 6

1.1 Нечітка логіка 11

1.2 Розробка нечіткої експертної системи, що діє на основі алгоритму Мамдані для 2-х умов 15

1.3 Вибір маршрутизатора і опис його характеристик 21

2 РОЗРАХУНОК ОПТИМАЛЬНОГО МАРШРУТУ 24

2.1 Матричний алгоритм пошуку найменших шляхів 24

2.2 Програма роботи алгоритму в Microsoft Excel 27

3 РОЗРОБКА НЕЙРОМЕРЕЖНОГО АЛГОРИТМУ 29

3.1 Основні характеристики штучних нейронних мереж 29

3.2 Методи навчання штучних нейронних мереж 34

3.3 Розробка програми навчання нейронної мережі на основі таблиць маршрутизації в пакеті Microsoft Excel 38

ВИСНОВКИ 40

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 41

 

ВСТУП

Найважливіша особливість  нейронної мережі, яка свідчить про її широкі можливості і величезний потенціал, полягає в паралельній обробці інформації всіма ланками. При величезній кількості міжнейронних зв’язків це дозволяє значно прискорити процес обробки інформації. У багатьох випадках стає можливим перетворення сигналів в реальному часі. Крім того, при великому числі міжнейронних з’єднань мережа набуває стійкість до помилок, що виникають на деяких лініях. Функції пошкоджених зв’язків беруть на себе справні лінії, в результаті чого діяльність мережі не зазнає суттєвих втрат.

Інша не менш важлива  властивість – здатність до навчання та узагальненню накопичених знань. Нейронна мережа має риси штучного інтелекту. Натренована на обмеженій множині даних мережа здатна узагальнювати отриману інформацію і показувати хороші результати на даних, що не використовувалися в процесі навчання.

Характерна особливість  мережі полягає також у можливості її реалізації із застосуванням технології надвеликого ступеня інтеграції. Різниця елементів мережі невелика, а їх повторюваність величезна. Це відкриває  перспективу створення універсального процесора з однорідною структурою, здатного обчислювати різноманітну інформацію.

Використання перерахованих  властивостей на тлі розвитку пристроїв з надвеликим ступенем інтеграції (VLSI) і повсюдного застосування обчислювальної техніки викликало в останні роки величезне зростання інтересу до нейронних мереж і істотний прогрес в їх дослідженні. Створено базу для вироблення нових технологічних рішень, що стосуються сприйняття, штучного розпізнавання та узагальнення відеоінформації, управління складними системами, обробки мовних сигналів і т. п. Штучні нейронні мережі в практичних додатках, як правило, використовуються в якості підсистеми управління або вироблення рішень, що передає виконавчий сигнал іншим підсистемам, які мають іншу методологічну основу. Функції, що їх мережами, підрозділяються на кілька груп: апроксимація; класифікація і розпізнавання образів; прогнозування; ідентифікація та оцінювання; асоціативне управління.

В даному курсовому  проекті будуть розглянуті та вивчені  традиційні методи маршрутизації на прикладі таблиці маршрутів.

Маршрут (шлях) – це послідовність вершин, що має для кожної вершини зв’язок, що з’єднує її з наступною вершиною в послідовності від вихідної вершини до вершини призначення. Маршрут володіє рангом та вагою, під вагою розуміється як відстань, так і ціна проводки, пропускна здатність маршруту і т. д.

Маршрутизація – процес визначення маршруту проходження інформації в мережах зв’язку між вузлами. Маршрути можуть задаватися адміністративно, або обчислюватися за допомогою алгоритмів маршрутизації, базуючись на інформації про топологію і стан мережі, отриманої за допомогою протоколів маршрутизації.

Послідовність процедур та (чи) етапів проектування називають  маршрутом проектування. У залежності від того, у якій послідовності виконуються процедури й етапи, розрізняють два способи проектування (два типи маршрутів) – спадне (зверху вниз) та висхідне (знизу вверх) проектування.

Комп’ютерна мережа – це сукупність безлічі складових, яка являє собою складну структуру з компонентів та вузлів. Для створення комп’ютерної мережі важливо провести велику підготовчу роботу, встановити які функції і завдання вона має виконувати, вибрати топологію мережі, середовище і протоколи передачі даних. Така інформація дозволить вибрати способи реалізації мережі та розрахувати вартість. Тому важливим етапом у створенні комп’ютерної мережі є її проектування. Тільки добре спроектована і продумана комп’ютерна мережа дозволить уникнути максимально більшу кількість проблем.

Алгоритми маршрутизації  застосовуються для визначення найкращого шляху пакетів від джерела  до приймача і є основою будь-якого протоколу маршрутизації. Для формулювання алгоритмів маршрутизації мережа розглядається як граф. При цьому маршрутизатори є вузлами, а фізичні лінії між маршрутизаторами – ребрами відповідного графа. Кожній грані графа присвоюється певне число – вартість, що залежить від фізичної довжини лінії, швидкості передачі даних по лінії або фінансової вартості лінії.

Їх можна розділити  на алгоритми пошуку множини шляхів і алгоритми пошуку найкоротших шляхів, а вони в свою чергу діляться на матричні і мережеві алгоритми.

До алгоритмів пошуку множини шляхів відносять:

– розкладання булевого визначника структурної матриці графа і зведення її до ступеня;

– побудови дерева шляхів з фіксованою вершиною – джерела.

До алгоритмів пошуку найкоротших шляхів відносять:

– зведення в ступінь максимального рангу матрицю довжин;

– алгоритм Флойда;

– алгоритм Дейкстри;

– ефективний алгоритм «трьох відміток».

Штучні нейронні мережі (ШНМ) будуються за принципами організації та функціонування їх біологічних аналогів. Вони здатні вирішувати широке коло завдань розпізнавання образів, ідентифікації, прогнозування, оптимізації, управління складними об'єктами. Подальше підвищення продуктивності комп’ютерів все великою мірою пов’язують з ШНМ, зокрема, з Нейрокомп’ютерами (НК), основу яких складає штучна нейронна мережа.

Основні проблеми, які вирішуються штучними нейронними мережами:

– класифікація образів;

– кластеризація / категоризація;

– апроксимація функцій;

– передбачення / прогноз;

– оптимізація.

 

 

1 РОЗРОБКА СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ (СППР) ДЛЯ ПРОЕКТУВАННЯ КОМП’ЮТЕРНОЇ МЕРЕЖІ

Система підтримки прийняття рішень (СППР) (англ. Decision Support System, DSS) – комп’ютерна автоматизована система, метою якої є допомога людям, що приймають рішення в складних умовах для повного і об’єктивного аналізу предметної діяльності. СППР виникли в результаті злиття управлінських інформаційних систем і систем управління базами даних.

Для аналізу та виробок  пропозицій в СППР використовуються різні методи. Це можуть бути: інформаційний пошук, інтелектуальний аналіз даних, пошук знань в базах даних, міркування на основі прецедентів, імітаційне моделювання, еволюційні обчислення і генетичні алгоритми, нейронні мережі, ситуаційний аналіз, когнітивне моделювання та ін. Деякі з цих методів були розроблені в рамках штучного інтелекту. Якщо в основі роботи СППР лежать методи штучного інтелекту, то говорять про інтелектуальну СППР або ІСППР.

До інформаційних  систем нового покоління належать системи  підтримки прийняття рішень (СППР) та інформаційні системи, побудовані на штучному інтелекті (інтелектуальні АС).

СППР – це інтерактивна комп’ютерна система, яка призначена для підтримки різних видів діяльності при прийнятті рішень із слабоструктурованих або неструктурованих проблем. Інтерес до СППР, як перспективної галузі використання обчислювальної техніки та інструментарію підвищення ефективності праці в сфері управління економікою, постійно зростає. У багатьох країнах розробка та реалізація СППР перетворилася на дільницю бізнесу, що швидко розвивається.

Штучний інтелект – це штучні системи, створені людиною на базі ЕОМ, що імітують розв’язування людиною складаних творчих завдань. Створенню інтелектуальних інформаційних систем сприяла розробка в теорії штучного інтелекту логіко-лінгвістичних моделей. Ці моделі дають змогу формалізувати конкретні змістовні знання про об’єкти управління та процеси, що відбуваються в них, тобто ввести в ЕОМ логіко-лінгвістичні моделі поряд з математичними. Логіко лінгвістичні моделі – це семантичні мережі, фрейми, продукувальні системи – іноді об’єднуються терміном «програмно-апаратні засоби в системах штучного інтелекту».

Розрізняють три види інтелектуальних АС:

1) інтелектуальні інформаційно-пошукові системи (системи типу «запитання – відповідь»), які в процесі діалогу забезпечують взаємодію кінцевих користувачів – непрограмістів з базами даних та знань професійними мовами користувачів, близьких до природних;

2) розрахунково-логічні системи, які дають змогу кінцевим користувачам, що не є програмістами та спеціалістами в галузі прикладної математики, розв’язувати в режимі діалогу з ЕОМ свої задачі з використанням складаних методів і відповідних прикладних програм;

3) експертні системи, які дають змогу провадити ефективну комп’ютеризацію областей, у яких знання можуть бути подані в експертній описовій формі, але використання математичних моделей затруджене або неможливе.

В економіці України  найпоширенішими є експертні  системи. Це системи, які дають змогу  на базі сучасних персональних комп’ютерів виявляти, нагромаджувати та коригувати знання з різних галузей народного господарства (предметних областей).

СППР виникли на початку 70-х років завдяки подальшому розвитку управлінських інформаційних  систем (ІС) і являють собою системи, розроблені для підтримки процесів прийняття рішень менеджерами в складних ситуаціях, пов’язаних із розробкою і прийняттям рішень. На розвиток СППР істотний вплив зробили вражаючі досягнення в галузі інформаційних технологій, особливо в галузі телекомунікаційних мереж, ПЕВМ, динамічних електронних таблиць, експертних систем. Термін СППР (DSS – Decision Support System) виник у 70-х роках і належить Геррі та Мартону, хоча перше покоління СППР мало чим відрізнялося від традиційних управлінських інформаційних систем, і тому замість СППР часто використовувався термін «системи управлінських рішень».

Дотепер немає єдиного  визначення СППР. Наприклад, деякі автори під СППР розуміють «інтерактивну  прикладну систему, що забезпечує кінцевим користувачам, що приймають рішення, легкий і зручний доступ до даних  і моделей із метою прийняття рішень у ситуаціях різних галузей людської діяльності.

Нарешті, існує твердження, відповідно до якого СППР являє собою  специфічний клас систем, що добре  описується, на базі ПЕВМ.

Така розмаїтість визначень СППР відображає широкий діапазон різних форм, розмірів, типів СППР. Але практично усі види цих комп’ютерних систем характеризуються чіткою структурою, що включає 3 головних компонента:

– підсистему інтерфейсу користувача;

– підсистему керування базами даних (СУБД);

– підсистему керування базою моделі.

Специфічні особливості  й основи побудови цих компонентів  забезпечують у СППР реалізацію ряду важливих концепцій побудови ІС: інтерактивність, інтегрованість, потужність, доступність, гнучкість, надійність, керуємість.

Аналіз еволюції систем СППР дає можливість виділити 2 покоління  СППР:

– перше покоління розроблялося в період із 1970 до 1980 р.;

– друге – з початку 1980 р. і дотепер.

Перше покоління СППР майже цілком повторювало функції  звичайних управлінських систем у відношенні допомоги (комп’ютеризованої) у прийнятті рішень. Основні компоненти СППР мали такі ознаки:

– керування даними – велика кількість інформації, внутрішні і зовнішні банки даних, обробка та оцінювання даних;

– керування обчисленням (моделюванням) – моделі, розроблені спеціалістами в галузі інформатики для спеціальних проблем;

– користувацькі інтерфейси (мова спілкування) – мови програмування, розроблені для великих ЕОМ, що використовуються винятково програмістами.

СППР другого покоління  вже мають принципово нові ознаки:

– керування даними – необхідна і достатня кількість інформації про факти згідно з прийняттям рішень, що охоплюють сховані припущення, інтереси і якісні оцінки;

– керування обчисленням і моделюванням – гнучкі моделі, що відображають засіб мислення особи, приймаючої рішення, у процесі прийняття рішень;

– інтерфейс користувача  – програмні засоби дружні користувачу;

– звична мова, безпосередня робота кінцевого користувача.

Ціль і призначення  СППР другого покоління можна  визначити так:

– допомога у розумінні  розв’язуваної проблеми. Сюди належить структуризація проблеми, генерування постановок задач, визначення переваг, формування критеріїв;

– допомога у рішенні задач: генерування і вибір моделей і методів, збір і підготування даних, виконання обчислень, оформлення і видача результатів;

– допомога у проведенні аналізу типу «Що?... Коли?» і т. п., пояснення ходу рішення;

– пошук і видача аналогічних рішень у минулому і їхні результати.

Дружні людині СППР дають можливість вести рівноправний діалог із ПЕВМ, використовуючи звичайні мови спілкування. Системи можна  підбудовувати під стиль мислення користувача, його знань і фахової  підготовки, а також під засоби роботи.

Для сучасних СППР характерно наявність таких характеристик.

СППР дає керівнику  допомогу у процесі прийняття  рішень і забезпечує підтримку у  всьому діапазоні контекстів задач. Думка людини та інформація, що генерується  ЕОМ, являють єдине ціле для прийняття  рішень

СППР підтримує і  посилює (але не змінює і не відміняє) міркування та оцінку керівника. Контроль залишається за людиною. Користувач «почуває себе комфортно» і «як удома» у системі.

СППР підвищує ефективність прийняття рішень. На відміну від  адміністративних систем, де робиться акцент на аналітичному процесі, у СППР важливійшою є ефективність процесу прийняття рішень.

СППР виконує інтеграцію моделей і аналітичних методів  із стандартним доступом до даних  і вибіркою з них. Для надання  допомоги при прийнятті рішень активується одна або декілька моделей. Вміст БД охоплює історію поточних і попередніх операцій, а також інформацію зовнішнього характеру та інформацію про середовище.

СППР проста в роботі для осіб, що мають досвід роботи з ЕОМ.

Системи дружні для  користувачів не потребують глибоких знань про обчислювальну техніку  і забезпечують просте пересування  по системі.

СППР побудовані за принципом інтерактивного рішення  задач. Користувач має можливість підтримувати діалог із СППР у безперервному режимі.

СППР орієнтована  на гнучкість і адаптивність для  пристосування до змін середовища або  підходів до рішення задач, що обирає користувач. Керівник повинен пристосуватися до змінюваних умов сам і відповідно підготувати систему.

СППР не повинна нав’язувати користувачу визначеного процесу прийняття рішень.

Користувач повинен  мати вибір можливостей, щоб вибирати їх у формі і послідовності, що відповідають стилю його пізнавальної діяльності – стилю «моделей, що подаються».

СППР вирішує два  основні завдання:

– вибір найкращого рішення з безлічі можливих (оптимізація);

– впорядкування можливих рішень по перевагу (ранжування).

Системи підтримки прийняття  рішень:

– допускають, щоб користувачі управляли входом і виходом;

– забезпечують підтримку для рішень і проблем, які не можуть бути визначені заздалегідь;

– використовують складний аналіз та інструментальні засоби моделювання.

СППР мають велику аналітичну потужність, ніж інші системи:

– вони побудовані з низкою моделей, щоб аналізувати дані;

– системи СППР інтерактивні;

– користувач може змінювати припущення і включати нові дані.

1.1 Нечітка  логіка

Нечітка логіка (англ. fuzzy logic) – розділ математики, що є узагальненням класичної логіки і теорії множин, базується на понятті нечіткої множини, вперше введеного Лотфі Заде в 1965 році як об’єкта з функцією приналежності елемента до безлічі, приймаючої будь-які значення в інтервалі [0, 1], а не тільки 0 або 1. На основі цього поняття вводяться різні логічні операції над нечіткими множинами і формулюється поняття лінгвістичної змінної, в якості значень якої виступають нечіткі множини.

Предметом нечіткої логіки вважається дослідження міркувань в умовах нечіткості, розмитості, схожих з міркуваннями в звичайному сенсі, та їх застосування в обчислювальних системах.

В даний час існує, принаймні, два основних напрямки наукових досліджень в області нечіткої логіки:

– нечітка логіка в широкому сенсі (теорія наближених обчислень);

– нечітка логіка у вузькому сенсі (символічна нечітка логіка).

Оскільки нечіткі  множини описуються функціями належності, а – норми і – норми звичайними математичними операціями, можна уявити нечіткі логічні міркування у вигляді нейронної мережі. Для цього функції приналежності треба інтерпретувати як функції активації нейронів, передачу сигналів як зв’язку, а логічні – норми і – норми, як спеціальні види нейронів, що виконують математичні відповідні операції. Існує велика різноманітність подібних нейро- нечітких мереж neuro-fuzzy network (англ.). Наприклад, ANFIS (Adaptive Neuro fuzzy Inference System) – адаптивна нейро- нечітка система виводу.

Вона може бути описана  в універсальній формі аппроксіматоров  як

(1)

крім  того, цією формулою можуть бути описані також деякі види нейронних мереж, такі як радіально базисні мережі (RBF), багатошарові персептрони (MLP), а також вейвлети і сплайни.

Характеристикою нечіткої множини виступає функція приналежності (Membership Function). Позначимо через – ступінь приналежності до нечіткої множини C, що представляє собою узагальнення поняття характеристичної функції звичайної множини. Тоді нечіткою безліччю С називається безліч впорядкованих пар виду . Значення означає відсутність приналежності до безлічі, 1 – повну приналежність.

Проілюструємо це на простому прикладі. Формалізуємо неточне визначення "гарячий чай". В якості (область міркувань) виступатиме шкала температури в градусах Цельсія. Очевидно, що вона буде змінюється від 0 до 100 градусів. Нечітка безліч для поняття "гарячий чай" може виглядати наступним чином:

 

Так, чай з температурою належить до безлічі "Гарячий" зі ступенем приналежності 0,80. Для однієї людини чай при температурі може виявитися гарячим, для іншого – не надто гарячим. Саме в цьому і проявляється нечіткість завдання відповідної множини.

Для нечітких множин, як і для звичайних, визначено основні логічні операції. Самими основними, необхідними для розрахунків, є перетин і об’єднання.

Перетин двох нечітких множин (нечітка "І"): .

Об’єднання двох нечітких множин (нечітке "АБО"): .

У теорії нечітких множин розроблено загальний підхід до виконання операторів перетину, об’єднання і доповнення, реалізований в так званих трикутних нормах і конормах. Наведені вище реалізації операцій перетину і об’єднання – найбільш поширені випадки - норми і - конорми.

Для опису нечітких множин вводяться поняття нечіткої і лінгвістичної змінних.

Нечітка змінна описується набором , де – це назва змінної, – універсальна безліч (область міркувань), – нечітка множина на .

Значеннями лінгвістичної  змінної можуть бути нечіткі змінні, тобто лінгвістична змінна знаходиться на більш високому рівні, ніж нечітка змінна. Кожна лінгвістична змінна складається з:

– назви;

– безлічі своїх  значень, яке також називається  базовою терм-множиною . Елементи базової терм-множини являють собою назви нечітких змінних;

– універсальної множини ;

– синтаксичного правила , за яким генеруються нові терми із застосуванням слів природної або формальної мови;

– семантичного правила , яке кожному значенню лінгвістичної змінної ставить у відповідність нечітку підмножину безлічі .

Розглянемо таке нечітке поняття як "Ціна акції". Це і є назва лінгвістичної змінної. Сформуємо для неї базову терм-безліч, яка складатиметься з трьох нечітких змінних: "Низька", "Помірна", "Висока" і задамо область міркувань у вигляді . Останнє, що залишилося зробити – побудувати функції приналежності для кожного лінгвістичного терма з базової терм-множини .

Існує понад десяток  типових форм кривих для завдання функцій приналежності. Найбільшого поширення набули: трикутна, трапецеїдальна і гаусова функції приналежності.

Трикутна функція  приналежності визначається трійкою чисел , і її значення в точці обчислюється відповідно до виразу:

(2)

При маємо випадок симетричної трикутної функції приналежності, яка може бути однозначно задана двома параметрами з трійки .

Аналогічно для завдання трапецеїдальної функції приналежності необхідна четвірка чисел :

(3)

При трапецеїдальна функція приналежності приймає симетричний вигляд.

Рисунок 1 – Типові кусочно-лінійні функції приналежності.

Функція приналежності  гаусова типу описується формулою:

(4)

і оперує двома параметрами. Параметр позначає центр нечіткої множини, а параметр відповідає за крутизну функції.

Рисунок 2 – Гаусова функція приналежності.

Сукупність функцій  приналежності для кожного терма з базової терм-множини зазвичай зображаються разом на одному графіку. На рисунку 3 наведено приклад описаної вище лінгвістичної змінної "Ціна акції", на рисунку 4 – формалізація неточного поняття "Вік людини". Так, для людини 48 років ступінь приналежності до безлічі "Молодий" дорівнює 0, "Середній" – 0,47, "Вище середнього" ​​– 0,20.

Рисунок 3. Опис лінгвістичної змінної "Ціна акції".

Рисунок 4. Опис лінгвістичної змінної "Вік".

Кількість термів в  лінгвістичній змінній рідко перевищує 7.

 

1.2 Розробка нечіткої експертної системи, що діє на основі алгоритму Мамдані для 2-х умов

Умова 1: ЯКЩО швидкість передачі пакетів ВИСОКА І пропускна здатність каналу ВИСОКА, ТО затримка передачі відеосигналу НИЗЬКА.

Умова 2: ЯКЩО швидкість передачі пакетів СЕРЕДНЯ І пропускна здатність каналу СЕРЕДНЯ, ТО затримка передачі відеосигналу СЕРЕДНЯ.

Виконання програми за допомогою програми MatLab та інструментів Fuzzy Logic Toolbox.

Fuzzy Logic Toolbox – інтуїтивне графічне середовище для розробки інтелектуальних систем.    

Пакет Fuzzy Logic володіє простим і добре продуманим інтерфейсом, що дозволяє легко проектувати і діагностувати нечіткі моделі. Забезпечується підтримка сучасних методів нечіткої кластеризації та адаптивні нечіткі нейронні мережі. Графічні засоби пакета дозволяють інтерактивно відстежувати особливості поведінки системи.

Основні властивості:

– визначення змінних, нечітких правил і функцій належності;

– інтерактивний перегляд нечіткого логічного висновку;

– сучасні методи: адаптивний нечіткий висновок з використанням нейронних мереж, нечітка кластеризація;

– інтерактивне динамічне моделювання в SIMULINK;

– генерація переносного C коду за допомогою Real-Time Workshop(r).

Найважливіші особливості:

1) Простота у використанні. Пакет Fuzzy Logic створений для того, щоб користувач мав можливість швидко оволоділи нечіткою логікою і застосовували її для вирішення практичних завдань. Тим, хто вже добре знайомий з нечіткою логікою, пакет пропонує сучасні методи і можливість створювати власні методи.

2) Графічне проектування. Пакет Fuzzy Logic містить п’ять графічних редакторів для представлення необхідної інформації в процесі проектування, створення та тестування нечітких моделей.

3) Сучасні методи. Пакет Fuzzy Logic включає сучасні методи нечіткого моделювання, включаючи:

– адаптивний нечіткий висновок з використанням нейронних мереж для автоматичного формування функцій належності в процесі навчання їх на вхідних даних;

– нечітка логіка і кластеризація для задачі розпізнавання образів;

– можливість вибору широко відомого методу Мамдані або потужного методу Сугено для створення гібридних нечітких систем.

Схема нейрона (рисунок 5) буде складатися з:

– двох входів (Швидкість  передачі пакетів, Пропускна здатність  каналу);

– одного виходу (Затримка передачі відеосигналу);

– блоку з заданими правилами, працюючого на основі алгоритму Мамдані.

Рисунок 5 – Схема  нейрона.

Далі задаємо експертні  значення функції приналежності  для входів та виходу. Входи вимірюються  в Мбіт/с, а вихід – в мілісекундах.

Рисунок 6 – Функція  приналежності швидкості передачі пакетів.

Рисунок 7 – Функція  приналежності пропускної здатності  каналу.

Рисунок 8 – Функція  приналежності затримки передачі відеосигналу.

 

Рисунок 9 – Правила  в нечіткій експертній системі.

Рисунок 10 – Відображення результатів роботи алгоритму по завданим значенням.

Рисунок 11 – Діаграма затримки передачі пакетів відеосигналу відносно Пропускної здатності каналу та Швидкості передачі пакетів.

Далі розрахуємо нечітку експертну систему вручну.

1) Проведення фазифікації (побудова функції належності вхідних і вихідних параметрів).

Рисунок 12 – Функції  приналежності вхідних та вихідних параметрів.

2) Етап визначення ступеня істинності вхідних параметрів для отримання нечіткої безлічі.

 

 

3) Етап агрегування – етап визначення ступеня істинності вхідних умов виходячи з логічних операцій між ними.

 

 

6) Акумулювання – процедура об’єднання області вихідних змінних.

 

4) Дефазифікації – операції знаходження чіткого вихідного значення.

 

 

1.3 Вибір  маршрутизатора і опис його  характеристик

Маршрутизатор (англ. router) – електронний пристрій, що використовується для поєднання двох або більше мереж і керує процесом маршрутизації, тобто на підставі інформації про топологію мережі та певних правил приймає рішення про пересилання пакетів мережевого рівня (рівень 3 моделі OSI) між різними сегментами мережі.

Для звичайного користувача  маршрутизатор (роутер) – це мережевий пристрій, який підключається між локальною мережею та інтернетом. Часто маршрутизатор не обмежується простим пересиланням даних між інтерфейсами, а також виконує й інші функції: захищає локальну мережу від зовнішніх загроз, обмежує доступ користувачів локальної мережі до ресурсів інтернету, роздає IP-адреси, шифрує трафік і багато іншого.