کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6957405 1451916 2018 5 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Adaptive estimation of Haar wavelet transform parameters applied to fuzzy prediction of network traffic
ترجمه فارسی عنوان
برآورد سازگاری پارامترهای تبدیل موجک هاروار که برای پیش بینی فازی ترافیک شبکه استفاده می شود
کلمات کلیدی
موجک مقابله، هار تبدیل، پیش بینی فازی برآورد پارامتر،
ترجمه چکیده
در این مقاله پیشنهاد می کنیم یک رویکرد انطباقی برای برآورد انرژی موجک و مقیاس ضرایب تبدیل موجک هار که در مدل سازی چند فاکتوریل ترافیک شبکه استفاده می شود پیشنهاد شود. نتایج شبیه سازی نشان می دهد که برآوردهای به دست آمده برای پارامترهای مدل سازی در دامنه موجک دقیق هستند. علاوه بر این، ما پیشنهاد معادله ای برای محاسبه تابع همبستگی مدل مولتی فرکتال زیر را با توجه به پارامترهای دامنه موجک انجام می دهیم. برای افزایش عملکرد پیش بینی ترافیک شبکه ترافیک، تابع اتخاذ خودکار برای به روز رسانی توابع پایه وارونورال در یک سیستم فازی استفاده می شود. برای اعتبار رویکرد پیش بینی فازی سازگار، شبیه سازی با ردیابی شبکه های واقعی واقعی انجام می شود، نشان می دهد که الگوریتم پیشنهادی خطاهای متوسط ​​مربع را از الگوریتم های دیگر در ادبیات فراهم می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
چکیده انگلیسی
In this paper, we propose an adaptive approach to estimate the energies of the wavelet and scale coefficients of the Haar wavelet transform used in the multifractal modeling of network traffic traces. Simulation results confirm that the estimates obtained for the modeling parameters in the wavelet domain are precise. In addition, we propose an equation to calculate the autocorrelation function of the underlying multifractal model in terms of these wavelet domain parameters. In order to enhance the prediction performance of network traffic traces, the autocorrelation function is used to update orthonormal basis functions in a fuzzy system. To validate the adaptive fuzzy prediction approach, simulations with real network traffic traces are carried out, showing that the proposed algorithm provides lower mean square errors than other algorithms in the literature.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Signal Processing - Volume 151, October 2018, Pages 155-159
نویسندگان
, ,