فایل حاوی ترجمه عالی مقاله 2012 الزویر و اصل مقاله

عنوان: پیش ­بینی تاخیردرشبكه هاي موردي متحرک با استفاده از شبکه عصبی مصنوعی

عنوان به لاتین :  Delay Prediction in Mobile Ad hoc Networks using Artificial Neural Network

Abstract
The end-to-end packet delay in mobile ad hoc network depends on many influential variables such as path length from source to destination, average neighbours of intermediate hops, interference from other transmissions and medium access control protocol etc. Hence, accurate prediction of end-to-end packet delay is very difficult but necessary for Quality of Service (QoS) routing in Mobile Ad Hoc Network (MANET) environment. In this article, we have tried to evaluate the applicability and capability of artificial neural network for prediction of end-to-end packet delay in mobile ad hoc network environment. We have used path length and average number of neighbors between source destination pair as input parameters to calculate the delay. In the present study, we developed two models based on Radial Basis Function (RBF) network and Generalized Regression Neural Network (GRNN). Three different data sets consisting of delay, path length and average neighbors are obtained using network simulator for three different routing protocols namely (i) Ad-hoc On-demand Distance Vector (AODV) routing, (ii) Destination Sequenced Distance Vector (DSDV) routing and (iii) Dynamic Source Routing (DSR). According to various performance evaluation criterion, we found that GRNN gives better prediction than RBF network.

نمونه ترجمه

چکیده

تاخیر انتها به انتها برای بسته­ ها درشبکه­ های موردی متحرک به متغیرهای زیادی بستگی دارد مثل طول مسیر از مبدا تا مقصد، متوسط تعداد همسایه­های واسط، تداخل دیگر انتقالات، پروتکل کنترل دسترسی و غیره. بنابراین پیشگویی صحیح تاخیر انتها به انتها برای این نوع از شبکه­ ها مشکل است اما این پیشگویی برای کیفیت سرویس مسیریابی در شبکه­ های موردی متحرک ضروری است. رهیافت این پژوهش،آزمایش و بررسی کاربرد پذیری و قابلیت اجرایی شبکۀ عصبی مصنوعی برای پیشگویی تاخیر انتها به انتها در محیط شبکۀ موردی متحرک است. طول مسیر و متوسط تعداد همسایه­ها بین مبدا و مقصد پارامترهای ورودی برای محاسبۀ تاخیر هستند. در این پژوهش بر مبنای شبکه عصبی دو مدل RBF و GRNN توسعه داده شده است و سه دادۀ تاخیر ، طول مسیر و متوسط همسایه­ها بوسیلۀ شبیه ساز شبکه برای سه پروتکل مسیریابی متفاوت فراهم می­شوند. این سه پروتکل­ از این قرارند:

 i. AODV

ii.DSDV

iii.DSR

با استفاده از معیارهای ارزیابی کارایی به این نتیجه رسیدیم که GRNN نسبت به RBF پیشگویی بهتری ارائه می ­دهد.