بررسی شبکه های عصبی مبتنی بر سری های زمانی، در مدیریت کشف تقلب در شبکه های مخابراتیNGN
Publish place: The First National Conference on Computer Engineering and Information Technology of Payame Noor University
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 722
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
FNCEITPNU01_019
تاریخ نمایه سازی: 17 اسفند 1393
Abstract:
مدیریت تقلب حوزه ای گسترده است که به طور کلی تمام جنبه های تشخیص، بررسی و مدیریتی ، سوء استفاده عمدی یا غیر عمدی از شبکه ها را در برمی گیرد .برای کشف بهتر تقلب و خطاهای ناشی شده در شبکه مخابراتی ، میتوان شبکه های عصبی مختلف را مورد بحث و بررسی قرار داد . تلاش ما در جهت کشف غیرنظارتی بی نظمی های ورودی یک کاربر مهم از شبکه های عصبی پیش خور است.ماLSTM RNNS WITH FORGET GATESRNN(شبکه عصبی بازرخداد حافظه طولانی وکوتاه مدت با گیت های صرفنظرشده شده) را برای مشکل کشف تقلب در شبکه های مخابرات به شیوه ی آموزشی غیرنظارتی اعمال کردیم. می دانیم این مدل ها قبلا به رکورد داده ی تماس برچسب نخورده اعمال نشده است. ما بینشی در مورد روش های مختلف مدلسازی سری زمانی فراهم می کنیم تا از LSTM RNNها به عنوان راه حلی برای مسئله ی بیان شده استفاده کند. نتایج ما موجه بودن اعمال LSTM RNN ها را برای تشخیص غیرنظارتی رکوردهای داده ی تماس در سیستم مخابرات به منظور تحلیل الگوی تماس را نشان می دهد.LSTM انواع مختلف توالی های گذرا را تشخیص می دهد و آنها را بر اساس ویژگی های متعددی گروهبندی میکند
Keywords:
شبکه عصبی باز رخداد(RNN)-شبکه عصبی بازرخداد حافظه طولانی وکوتاه مدت با گیت های صرفنظر شده ( LSTM RNNS WithForget Gates)-عملکرد چرخ و فلکی خطای ثابت(CEC)–شبکه های نسل آینده(NGN)
Authors
فرزین یغمایی
دانشگاه آزاد اسلامی واحد سمنان
هانیه قدس
دانشگاه آزاد اسلامی واحد سمنان
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :