Documente Academic
Documente Profesional
Documente Cultură
ARTIFICIAIS
Resumo – Este artigo investiga a utilização de redes neurais artificiais perceptron de múltiplas camadas
(MLP) alimentadas adiante com algoritmo de treinamento de retroprogagação (backpropagation) na
simulação e predição do tráfego de dados multimídia em redes ethernet. A característica autossimilar, ou
fractal, deste tipo de tráfego permite a utilização de modelos matemáticos que simulam esta característica.
As redes neurais artificiais podem aprender esta característica mediante treinamento, e se apresentam como
uma alternativa viável para simulação e predição.
Abstract – This paper investigates the use of multi-layer perceptron (MLP) artificial neural networks with
backpropagation learning algorithm for simulation and prediction of multimedia ethernet traffic. The self-
similar, or fractal, characteristic of this traffic allows the utilization of mathematical models that simulate
this feature. The artificial neural networks can learn this characteristic under training, and are a viable
alternative for simulation and prediction.
n
y k ( wkj k ) .
j 1
função de ativação sigmóide.
2.Apresentação dos Exemplos de w (jil ) (n 1) w (jil ) (n) w (jil ) (n 1) (j l ) (n) y i( l 1) (n)
Treinamento- apresente uma época de
exemplos de treinamento à rede. onde η é a taxa de aprendizagem e α é a
3.Computação para Frente- suponha que um constante de momento.
exemplo de treinamento de época seja 5.Iteração- itere as computações dos itens 3
representado por (x(n), d(n)). Calcule os e 4, até que seja satisfeito o critério de
campos locais induzidos e os sinais parada.
funcionais da rede, camada por camada.O
(l )
campo local induzido v j (n) para o Redes Neurais atrasadas no Tempo
neurônio j da camada l é
O tráfego ethernet é uma série
m0 temporal, e o tipo de rede neural que pode
v (jl ) (n) w (jil ) (n) yi( l 1) (n) ser treinada para aprender seu
i 0 comportamento é a rede alimentada adiante
focada atrasada no tempo. Nesta rede a
onde yi
( l 1)
( n) é o sinal de saída do entrada é dada pelo vetor formado pelo valor
no tempo atual n e por p valores anteriores,
neurônio i na camada anterior l-1, na X ( n) [ x ( n), x ( n 1),..., x ( n p )]
( l 1)
iteração n. Para i=0, temos y 0 (n) 1 onde n é o tempo padrão e p é a ordem de
e w j 0 ( n) j ( n) . Assumindo-se o uso
(l ) (l )
memória.
da função sigmóide, a saída do neurônio j da A rede pode ser treinada com
camada l é algoritmo backpropagation , com uma época
correspondendo a uma seqüência de estados,
cujo número é determinado pela ordem de
memória p e o tamanho N da amostra de A rede foi treinada com os primeiros
treinamento [1]. A figura 3 mostra o 180 dados da amostra usando algoritmo
esquema de uma rede neural alimentada backpropagation com os segintes
adiante focada atrasada no tempo. parâmetros:
- Função de treinamento: Levenberg-
Marquardt;
-Função de aprendizagem: gradiente
descendente com bias e momento;
- Função de desempenho: erro quadrático
médio.
Estabelecemos a meta de erro em
MSE=10-5.
3. Resultados Obtidos
Figura 3. Rede Neural Atrasada no Tempo
As figuras 5, 6, 7 e 8 apresentam os
2. Metodologia de Implementação resultados da simulação da rede para os
primeiros 180 eventos da amostra, que
A coleta de dados de tráfego foi efetuada em foram utilizados para treinamento, para os
um circuito ethernet dedicado na rede de atrasos de tempo de 3, 6, 12 e 25,
multisserviços da operadora Oi durante o respectivamente.
período de 1 de julho a 15 de julho de 2009,
de hora em hora, formando uma amostra de
tamanho N=360. A amostra de tráfego é
mostrada na figura 4. 1
y
y384d3
0.8
0.6
0.4
0.2
0
0 20 40 60 80 100 120 140 160 180
0.6
0.6
0.4
0.4
0.2
0.2
0
0 20 40 60 80 100 120 140 160 180
0
0 20 40 60 80 100 120 140 160 180
Figura10 – Predição um passo adiante p=6
Figura 7 – Treinamento RNA p=12
1
0.8
1
y
0.6
y384d25
0.8
0.4
0.6
0.2
0.4
0
0 20 40 60 80 100 120 140 160 180
0.2
Figura 11 – Predição um passo adiante p=12
0
0 20 40 60 80 100 120 140 160 180
1.4
Figura 8 – Treinamento RNA p=25 1.2
Z
Z384d25
0.8
0
0 20 40 60 80 100 120 140 160 180