19952

۱۹۹۵۲

ارائه يك روش پيش بيني تحرك جديد در شبكه هاي سلولي با استفاده از شبكه هاي عصبي

كارشناسي ارشد

شبكه هاي كامپيوتري

۱۳۹۷

۱۳۹۷/۰۶/۲۵

دكتر رضا برنگي

كامپيوتر

تشخيص تحرك يكي از كليدهاي توانمندسازي شبكه‌هاي خودسازمانده بصورت فعال مي‌باشد كه هدف آن مديريت موثر شبكه‌هاي سلولي نسل جديد مي‌باشد. پيش‌بيني مي‌گردد كه در اين شبكه‌ها، انبوهي از وسايل مختلف با تنوعي از تكنولوژي‌هاي متفاوت در كنار هم قرار خواهند گرفت. پيش‌بيني تحرك، روشي براي تخصيص آگاهانه منابع و انجام دست‌به دست‌دهي موثر كاربران شبكه مي‌باشد. در طرح پيشنهادي مي‌خواهيم از تركيب شبكه عصبي و مدل حركتي ذرات در روش بهينه سازي PSO براي پيش‌بيني حركت كاربران در يك شبكه سلولي بهره‌برداري كنيم. شبكه عصبي مي‌تواند با دقت بالايي به تشخيص زماني و مكاني سلول‌ هدف يك كاربر بپردازد و از طرفي با لحاظ كردن پيش‌بيني شبكه عصبي به عنوان بهترين پاسخ سراسري و الگوي حركتي كل كاربران به عنوان بهترين پاسخ محلي در تغيير مكان ذرات PSO، توانسته‌ايم تكرارپذيري حضور كاربران در سلول‌هاي شبكه را در تصميم‌گيري و يافتن مكان بعدي يك كاربر لحاظ كنيم. بدين ترتيب با پيش‌بيني صحيح دست‌به‌دست‌دهي بعدي و تخصيص پيش از موعد منابع به سلول هدف، امكان افزايش كيفيت سرويس و بهره‌وري منابع ايجاد مي‌شود.

1397/10/27

Provide a new method for mobility prediction in cellular networks using neural networks

9/16/2018 12:00:00 AM

Mobility prediction is one of the key components of the empowerment of self-organized networks, which aims to efficiently manage the new generation cellular networks. It is anticipated that in these networks, a plethora of different devices will come together with a variety of different technologies. Mobility prediction is a method for consciously allocating resources and making hand off effectively for network users. In proposed method of this thesis, we want to combine the neural network and particle swarm optimization model to predict the movement of users in a cellular network. The neural network can accurately detect user's target cell. On the other hand, the number of user’s presence in different parts of the network has been included in the user's mobility prediction process, with the goal of allowing pre-term allocated of resources to target cells, to increase the quality of service and resource efficiency. Simulation results show that the difference between the estimated user place and its actual location in the proposed scheme is lower than the base work; therefore, the accuracy of prediction of the location of cellular network users in the proposed scheme has improved.