Процесс останавливается при выполнении следующего неравенства:

(3.5)

и за результат принимается лучшая модель (r-1) шага.

Теперь рассмотрим подробнее процедуру подбора коэффициентов модели по заданной структуре модели итерационным МНК.

Пусть задана структура модели сложности , необходимо подобрать коэффициенты , чтобы приблизить значения отклика из рабочей части выборки:

(3.6)

с точностью до заданного e, чтобы минимизировать взвешенную сумму квадратов отклонений:

(3.7)

где Np - число наблюдений в рабочей части выборки.

Первоначально весовые коэффициенты наблюдений предполагаются одинаковыми и равными 1, с этими весами строится система коэффициентов ak, k=1,2, .,m модели в виде решения системы линейных уравнений

(3.8)

Затем выбираются веса таким образом, чтобы вес i-го наблюдения зависел от отношения i-го остатка в предыдущей итерации к общей мере остатков в этой итерации:

(3.9)

и по этим весам строится новая система коэффициентов модели и т.д. Процесс останавливается, когда достигается заданная степень точности e, т.е. когда выполнится неравенство

. (3.10)

Для использования полученной зависимости в имитационной модели необходимо произвести пересчет коэффициентов модели с учетом коэффициентов линейного преобразования, которое осуществлялось при центрировании и нормировании

Для построения функции отклика воспользуемся специализированным пакетом для моделирования нейронных сетей NeuroShell 2 (Ward Systems Group, Inc.), в котором реализован комбинаторный алгоритм МГУА. Для построения функции требуется серия опытов с разным состоянием сети, будем использовать данные, полученные при тестирование из приложения 1.

В результате расчёта с использованием пакета NeuroShell была получена функция отклика:

Y=-0.42-0.14*X1-8.8E-002*X2+0.4*X3+0.36*X3^2+6.7E-002*X1*X2+0.26*X1*X3-2.6E-002*X2*X3, (3.11)

где: X1=2*(win/lin-1)-1 операционная система;

X2=2*(key-128)/128 длина ключа в битах;

X3=(Kol-1)/2 количество клиентов участвующих в тестирование;

Y=2*S<->C- 6.54/87 (расчётная производительность в тысячах bit/sec ).

В результате работы пакета NeuroShell построим графики:

Рис 3.5 График производительности защищенного канала построенный на основе данных полученных опытным путем.

Значения параметра N определяет условия проведения опыта в части используемой сетевой операционной системы сервера, количества удаленных клиентов сети и длины ключа шифрования. Вся необходимая информация для построения графика, представленная на рис. 3.5, приведена в приложении 1.

Рис 3.6 График функции Y(N) производительности защищенного канала корпоративной сети

Значения параметра N определяет условия проведения опыта в части используемой сетевой операционной системы сервера, количества удаленных клиентов сети и длины ключа шифрования. Вся необходимая информация для построения графика, представленная на рис. 3.6, приведена в приложении 1.

Для сравнения с исходными данными, полученными при просчете программой, построим вместе с ним график пропускной способности сети полученный опытным путём при тестировании Перейти на страницу: 1 2 3 4 5 6 7 8 9

Другие статьи по теме

Волноводно-щелевая антенна нерезонансного типа волноводный щелевой антенна Щелевые антенны применяются для передачи энергии из одного волновода в другой, для излучения энергии во внешнее пространство. Компактность и возм ...

4-канальный логический анализатор на PIC микроконтроллере Микроконтроллер - компьютер на одной микросхеме. Предназначен для управления различными электронными устройствами и осуществления взаимодействия между ними в соответствии ...

Методы оценки качества функционирования систем распределения информации Автоматическая телефонная станция (АТС), сеть связи, для передачи и приема различного вида информации (телефонной, телеграфной, передача данных) состоят из тысяч отдельных приборов, кот ...