Модели прогнозирования среднего расстояния между узлами летающей беспроводной самоорганизующейся сети
DOI:
https://doi.org/10.52575/2687-0932-2022-49-3-616-629Ключевые слова:
летающая беспроводная самоорганизующаяся сеть, прогнозирование среднего расстояния между узлами, регрессионные и авторегрессионные модели, нечеткий вывод, нейросетевое обучениеАннотация
Представлены результаты исследования по разработке моделей прогнозирования среднего расстояния между узлами летающей беспроводной самоорганизующейся сети. Актуальность создания средств, позволяющих с приемлемой точностью прогнозировать величину среднего расстояния между передающими и приемными узлами сети, обоснована возможностью с их использованием осуществлять выбор и установку на узлах сети адекватного значения мощности передаваемого сигнала. Решение этой задачи в конечном итоге ориентировано на обеспечение требуемого качества видеотрансляции на базе летающей самоорганизующейся сети, используемой для осуществления мониторинга территорий при проведении поисково-спасательных мероприятий. Показано, что применение регрессионных и авторегрессионных моделей дает неприемлемые отклонения результатов прогноза от реальных данных, что приводит к уменьшению вероятности требуемого качества видеотрансляции по сети до недопустимо низкого уровня. Для прогнозирования среднего расстояния между передающими и приемными узлами предложена модель на базе нечеткого вывода. Автоматический подбор неизвестных значений параметров нечеткого вывода обеспечивается на основе нейросетевой настройки в течение многократных обучающих циклов. Полученные результаты исследования показали, что применение модели нечеткого вывода позволяет получить приемлемую точность прогнозирования величины среднего расстояния между узлами летающей самоорганизующейся сети.
Скачивания
Библиографические ссылки
Агузумцян Р.В., Великанова А.С., Польщиков К.А., Игитян Е.В., Лихошерстов Р.В. 2021. О применении интеллектуальных технологий обработки естественного языка и средств виртуальной реальности для поддержки принятия решений при подборе исполнителей проектов. Экономика. Информатика, 48 (2): 392–404. DOI 10.52575/2687-0932-2021-48-2-392-404.
Вентцель Е.С. 2006. Теория вероятностей. 10-е изд. стер. М, Высшая школа, 575 с.
Джамил К.Дж.К., Лихошерстов Р.В., Польщиков К.А. 2022. Модель передачи видеопотоков в летающей беспроводной самоорганизующейся сети. Экономика. Информатика, 49(2): 403–415. DOI 10.52575/2687-0932-2022-49-2-403-415.
Махди Т.Н., Игитян Е.В., Польщиков К.А., Корсунов Н.И. 2022. Оценивание эффективности функционирования диалоговой системы на основе применения нечеткого вывода с нейросетевой настройкой. Экономика. Информатика, 49(2): 356–374. DOI 10.52575/2687-0932-2022-49-2-356-374.
Albu-Salih A.T., Khudhair H.A. 2021. ASR-FANET: An adaptive SDN-based routing framework for FANET. International Journal of Electrical and Computer Engineering, 11(5): 4403–4412.
Bukhari A. H., Sulaiman M., Islam S. 2020. Neuro-fuzzy modeling and prediction of summer precipitation with application to different meteorological stations. Alexandria Engineering Journal, 59(1): 101–116.
Da Costa L.A., Pignaton De Freitas E., Kunst R. 2021. Q-FANET: Improved Q-learning based routing protocol for FANETs. Computer Networks, 198: 108379.
Khan I. U., Aziz M. A., Cheema T. A. 2020. Smart IoT control-based nature inspired energy efficient routing protocol for Flying Ad Hoc Network (FANET). IEEE Access, 8: 56371–56378.
Konstantinov I., Polshchykov K., Lazarev S., Polshchykova O. 2017. Mathematical Model of Message Delivery in a Mobile Ad Hoc Network. Proceedings of the 11th International Conference on Application of Information and Communication Technologies (AICT): 10–13.
Konstantinov I., Polshchykov K., Lazarev S., Polshchykova O. 2017. Model of neuro-fuzzy prediction of confirmation timeout in a mobile ad hoc network. CEUR Workshop Proceedings. Proceedings of the International Conference Mathematical and Information Technologies (MIT 2016): 174–186.
Pandey A., Shukla P.K., Agrawal R., Khare A. 2019. Grasshopper optimization based clustering algorithm (GOCA) for adaptive flying ad-hoc network (FANET) to enhance the quality of service (QoS). International Journal of Scientific and Technology Research, 8(11): 3731–3736.
Pilato G., Yarushev S. A., Averkin A. N. 2019. Prediction and detection of user emotions based on neuro-fuzzy neural networks in social networks. Advances in Intelligent Systems and Computing, 875: 118–125.
Polshchykov K., Lazarev S., Zdorovtsov A. 2017. Multimedia Messages Transmission Modeling in a Mobile Ad Hoc Network. Proceedings of the 11th International Conference on Application of Information and Communication Technologies (AICT): 24–27.
Polshchykov K.O., Lazarev S.A., Kiseleva E.D. 2018. Mathematical Model of Multimedia Information Exchange in Real Time Within а Mobile Ad Hoc Network. International Journal of Computer Science and Network Security, 18(6): 20–24.
Polshchykov K., Shabeeb A.H.T., Lazarev S. 2020. Algorithm for receiving the recommended bandwidth of a wireless self-organizing network channel. Periodicals of Engineering and Natural Sciences, 8(3): 1873–1879.
Polshchykov K., Shabeeb A.H.T., Lazarev S., Kiselev V. 2021. Justification for the decision on loading channels of the network of geoecological monitoring of resources of the agroindustrial complex. Periodicals of Engineering and Natural Sciences, 9(3): 781–787.
Polshchykov K.A., Lazarev S.A., Konstantinov I.S., Polshchykova O.N., Svoikina L.F., Igityan E.V., Balakshin M.S. 2020. Assessing the Efficiency of Robot Communication. Russian Engineering Research, 40: 936–938.
Polshchykov K., Lazarev S., Polshchykova O., Igityan E. 2019. The Algorithm for Decision-Making Supporting on the Selection of Processing Means for Big Arrays of Natural Language Data. Lobachevskii Journal of Mathematics, 40(11): 1831–1836.
Rohi G., Ofualagba G. 2020. Autonomous monitoring, analysis, and countering of air pollution using environmental drones. Heliyon, 6(1): 1–10.
Takagi T., Sugeno M. 1985. Fuzzy Identification of Systems and Its Applications to Modeling and Control. IEEE Transactions on Systems, Man, and Cybernetics, 15: 116–132.
Tu C. H., Li C. 2020. Multitarget prediction using an aim-object-based asymmetric neuro-fuzzy system: A novel approach. Neurocomputing, 389: 155-169.
Velikanova A.S., Polshchykov K.A., Likhosherstov R.V., Polshchykova A.K. 2021. The use of virtual reality and fuzzy neural network tools to identify the focus on achieving project results. Journal of Physics: Conference Series. 2nd International Scientific Conference on Artificial Intelligence and Digital Technologies in Technical Systems 2021, Volgograd, 2060: 173707.
Просмотров аннотации: 107
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2022 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
