Predição Multiescala de Tráfego de Redes Utilizando Redes Neurais RBF Treinadas com Algoritmo de Mínimos Quadrados Ortogonais

Autores

  • F.H.T. Vieira
  • R.P. Lemos
  • L.L. Ling

DOI:

https://doi.org/10.5540/tema.2008.09.03.0503

Resumo

Neste artigo, apresentamos um novo algoritmo de treinamento para redes neurais RBF (Função de Base Radial) baseado em mínimos quadrados ortogonais e em decomposição multiescala de sinais. Propomos um algoritmo de predição de séries temporais que combina as predições de aproximações para estas mesmas séries e de seus detalhes em diferentes escalas através da Transformada Wavelet. Aplicamos as redes neurais RBF treinadas com o algoritmo proposto na prediçãode tráfego de redes de computadores. O treinamento das redes neurais RBF com algoritmo de mínimos quadrados ortogonais aliada à decomposição wavelet contribui para evitar problemas de mal condicionamento da matriz de interpolação, como também para melhorar a capacidade de extrapolação da rede neural RBF. Esta última característica é verificada pela redução do erro quadrático médio de predição. As simulações realizadas confirmam que predições mais precisas são obtidas para as séries temporais de tráfego de redes em relação a outras redes neurais existentes.

Referências

S. Chen, S.A. Billings, Neural networks for nonlinear dynamic system modeling and identification, International Journal of Control 56, No. 2 (1992), 319-346.

G. Cybenco, Approximations by superposition of a sigmoidal function, Math. Control Signal Systems 2, No. 4 (1989), 303-314.

S. Haykin, “Neural Networks - A Comprehensive Foundation”, Prentice Hall, 2ed., 1998.

X. He, A. Lapedes, “Nonlinear Modeling and Prediction by Successive Approximations using Radial Basis Functions”, Technical Report, Los Alamos National Laboratory, 1991.

J.-S.R. Jamg, C.-T. Sun, Functional equivalence between radial basis function networks and fuzzy inference systems, IEEE Transactions on Neural Networks, 4 (1993), 156-159.

W.W.Y. Ng, A. Dorado, D.S. Yeung, W. Pedrycz, E. Izquierdo, Image classification with the use of radial basis function neural networks and the minimization of the localized generalization error. Pattern Recognition 40, No. 1 (2007), 19-32.

M.J.L. Orr, Regularization in the selection of radial basis function centres, Neural Computation, 7, No. 3 (1995), 606-623.

M.A.S. Potts, D.S. Broomhead, Time series prediciotn with a radial basis function neural network, SPIE Adaptive Signal Processing, 1565 (1991), 255-266.

M.J.D. Powell. Radial basis function approximations to polynomials, in “Proc. 12th Hiennial Numerical Analysis Conf.” (Dundee), pp. 223-241, 1987.

A. Sang, S.Q. Li, A predictability analysis of network traffic. in “Conference on Computer Communications”, IEEE Infocom, New York, Mar. 2000.

D. Veitch, P. Abry, A wavelet based joint estimator of the parameters of longrange dependence, IEEE Trans. Inform. Theory–Special Issue on Multiscale Statistical Signal Analysis and Its Applications 45, No. 3 (1999), 878-897.

F.H.T. Vieira, “Predição de Tráfego em Redes de Comunicações utilizando Redes Neurais e Análise Wavelet - Alocação Dinâmica de Largura de Faixa”. Dissertação de mestrado. Universidade Federal de Goiás, Goiânia, Goiás, Brasil,2002.

D.F. Walnut, “An Introduction to Wavelet Analysis”. Birkh¨auser Boston, 1ed., 2004.

Downloads

Publicado

2008-06-01

Como Citar

Vieira, F., Lemos, R., & Ling, L. (2008). Predição Multiescala de Tráfego de Redes Utilizando Redes Neurais RBF Treinadas com Algoritmo de Mínimos Quadrados Ortogonais. Trends in Computational and Applied Mathematics, 9(3), 503–512. https://doi.org/10.5540/tema.2008.09.03.0503

Edição

v. 9 n. 3 (2008)

Seção

Artigo Original

Licença

Política para Periódicos de Acesso Livre


Autores que publicam nesta revista concordam com os seguintes termos:
  1. Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
  2. Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
  3. Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
  4. Esta é uma revista de acesso aberto, o que significa que todo o conteúdo é livremente disponível gratuitamente para o usuário ou sua instituição. Os usuários estão autorizados a ler, baixar, copiar, distribuir, imprimir, pesquisar ou vincular os textos completos dos artigos, ou usá-los para qualquer outro propósito legal, sem pedir permissão prévia do editor ou do autor. Isso está de acordo com a definição de acesso aberto do BOAI.
 
Propriedade intelectual

Todo o conteúdo do periódico está licenciado sob uma Licença Creative Commons do tipo atribuição BY.