مقاله پیش بینی نرخ ترافیک ورودی به مسیریاب با استفاده از شبکه عصبی با قابلیت وزن های دینامیک دار

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله پیش بینی نرخ ترافیک ورودی به مسیریاب با استفاده از شبکه عصبی با قابلیت وزن های دینامیک دار دارای ۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی نرخ ترافیک ورودی به مسیریاب با استفاده از شبکه عصبی با قابلیت وزن های دینامیک دار  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله پیش بینی نرخ ترافیک ورودی به مسیریاب با استفاده از شبکه عصبی با قابلیت وزن های دینامیک دار،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی نرخ ترافیک ورودی به مسیریاب با استفاده از شبکه عصبی با قابلیت وزن های دینامیک دار :

مقاله پیش بینی نرخ ترافیک ورودی به مسیریاب با استفاده از شبکه عصبی با قابلیت وزن های دینامیک دار که چکیده‌ی آن در زیر آورده شده است، در تابستان ۱۳۸۸ در مهندسی برق مجلسی از صفحه ۱ تا ۵ منتشر شده است.
نام: پیش بینی نرخ ترافیک ورودی به مسیریاب با استفاده از شبکه عصبی با قابلیت وزن های دینامیک دار
این مقاله دارای ۵ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله شبکه عصبی با قابلیت وزن های دینامیک دار
مقاله الگوریتم بهینه سازی گروه ذرات
مقاله شبکه عصبی TDL
مقاله پیش بینی سری های زمانی

چکیده و خلاصه‌ای از مقاله:
با توجه به مشکلات ترافیکی موجود در مسیریاب رابط میان مرکز تحقیقات مخابرات ایران و شرکت دیتا، در این مقاله هدف پیش بینی نرخ ترافیک ورودی به این مسیریاب به منظور جلوگیری از ازدحام در این گره می باشد. این پیش بینی با استفاده از شبکه عصبی با قابلیت وزن های دینامیک دار انجام شده که دقت بسیار بالایی در پیش بینی سری های زمانی آشوبناک نسبت به دیگر شبکه های عصبی حافظه دار از جمله شبکه های عصبی گاما، پویا و TDL دارد. در این روش نوین، پیش بینی نرخ ترافیک با استفاده از شبکه عصبی با قابلیت وزن های دینامیک دار انجام شده که در آن، پارامترهای شبکه عصبی مذکور با استفاده از الگوریتم بهینه سازی گروه ذرات بهینه شده اند. در مرحله بعد پیش بینی سری زمانی مورد نظر به کمک شبکه عصبی TDL صورت پذیرفته است. نتایج، حاکی از برتری روش پیشنهادی، به منظور پیش بینی دقیق سری زمانی است.