وبلاگ

شکل۴-۲۸. رابطه میان آستانه پراکندگی و دقت نتیجه نهایی در روش پیشنهادی اول …………………………………….. ۱۳۴
شکل۴-۲۹. رابطه میان آستانه عدم تمرکز و دقت نتیجه نهایی در روش پیشنهادی اول ………………………………….. ۱۳۵
شکل۴-۳۰. رابطه میان آستانه پراکندگی و زمان اجرای الگوریتم در روش پیشنهادی دوم ………………………………. ۱۳۵
شکل۴-۳۱. رابطه میان آستانه پراکندگی و دقت نتایج نهایی در روش پیشنهادی دوم …………………………………….. ۱۳۶
شکل۴-۳۲. رابطه میان آستانه عدم تمرکز و دقت نتایج نهایی در روش پیشنهادی دوم ………………………………….. ۱۳۷
شکل۴-۳۳. مقایسه زمان اجرای الگوریتم‌ ………………………………………………………………………………………………… ۱۳۸
فصل اول
مقدمه

1. 1. مقدمه

۱-۱. خوشه‌بندی
به عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی^[۱]، یادگیری ماشین^[۲] به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آن‌ها رایانه‌ها و سامانه‌های اطلاعاتی توانایی تعلم و یادگیری پیدا می‌کنند. طیف پژوهش‌هایی که در مورد یادگیری ماشینی صورت می‌گیرد گسترده ‌است. در سوی نظر‌ی آن پژوهش‌گران بر آن‌اند که روش‌های یادگیری تازه‌ای به وجود بیاورند و امکان‌پذیری و کیفیت یادگیری را برای روش‌هایشان مطالعه کنند و در سوی دیگر عده‌ای از پژوهش‌گران سعی می‌کنند روش‌های یادگیری ماشینی را بر مسائل تازه‌ای اعمال کنند. البته این طیف گسسته نیست و پژوهش‌های انجام‌شده دارای مؤلفه‌هایی از هر دو رو‌یکرد هستند. امروزه، داده‌کاوی^[۳] به عنوان یک ابزار قوی برای تولید اطلاعات و دانش از داده‌های خام، در یادگیری ماشین شناخته‌شده و همچنان با سرعت در حال رشد و تکامل است. به طور کلی می‌توان تکنیک‌های داده‌کاوی را به دو دسته بانظارت^[۴] و بدون نظارت^[۵] تقسیم کرد [۲۹, ۴۶].
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

در روش بانظارت ما ورودی (داده یادگیری^[۶]) و خروجی (کلاس^[۷] داده) یک مجموعه داده را به الگوریتم هوشمند می‌دهیم تا آن الگوی^[۸] بین ورودی و خروجی را تشخیص دهد در این روش خروجی کار ما مدلی^[۹] است که می‌تواند برای ورودی‌های جدید خروجی درست را پیش‌بینی^[۱۰] کند. روش‌های طبقه‌بندی^[۱۱] و قوانین انجمنی^[۱۲] از این جمله تکنیک‌ها می‌باشد. روش‌های با نظارت کاربرد فراوانی دارند اما مشکل عمده این روش‌ها این است که همواره باید داده‌ای برای یادگیری وجود داشته باشد که در آن به ازای ورودی مشخص خروجی درست آن مشخص شده باشد. حال آنکه اگر در زمینه‌ای خاص داده‌ای با این فرمت وجود نداشته باشد این روش‌ها قادر به حل این‌گونه مسائل نخواهند بود [۲۹, ۶۸]. در روش بدون نظارت برخلاف یادگیری بانظارت هدف ارتباط ورودی و خروجی نیست، بلکه تنها دسته‌بندی ورودی‌ها است. این نوع یادگیری بسیار مهم است چون خیلی از مسائل (همانند دنیای ربات‌ها) پر از ورودی‌هایی است که هیچ برچسبی^[۱۳] (کلاس) به آن‌ها اختصاص داده نشده است اما به وضوح جزئی از یک دسته هستند [۴۶, ۶۸]. خوشه‌بندی^[۱۴] شاخص‌ترین روش در داده‌کاوی جهت حل مسائل به صورت بدون ناظر است. ایده اصلی خوشه‌بندی اطلاعات، جدا کردن نمونه‌ها از یکدیگر و قرار دادن آن‌ها در گروه‌های شبیه به هم می‌باشد. به این معنی که نمونه‌های شبیه به هم باید در یک گروه قرار بگیرند و با نمونه‌های گروه‌های دیگر حداکثر متفاوت را دارا باشند [۲۰, ۲۶]. دلایل اصلی برای اهمیت خوشه‌بندی عبارت‌اند از:
اول، جمع‌ آوری و برچسب‌گذاری یک مجموعه بزرگ از الگوهای نمونه می‌تواند بسیار پرکاربرد و باارزش باشد.
دوم، می‌توانیم از روش‌های خوشه‌بندی برای پیدا کردن و استخراج ویژگی‌ها^[۱۵] و الگوهای جدید استفاده کنیم. این کار می‌تواند کمک به سزایی در کشف دانش ضمنی^[۱۶] داده‌ها انجام دهد.
سوم، با خوشه‌بندی می‌توانیم یک دید و بینشی از طبیعت و ساختار داده به دست آوریم که این می‌تواند برای ما باارزش باشد.
چهارم، خوشه‌بندی می‌تواند منجر به کشف زیر رده‌های^[۱۷] مجزا یا شباهت‌های بین الگوها ممکن شود که به طور چشمگیری در روش طراحی طبقه‌بندی قابل استفاده باشد.
۱-۲. خوشه‌بندی ترکیبی
هر یک از الگوریتم‌های خوشه‌بندی، با توجه به اینکه بر روی جنبه‌های متفاوتی از داده‌ها تاکید می‌کند، داده‌ها را به صورت‌های متفاوتی خوشه‌بندی می کند. به همین دلیل، نیازمند روش‌هایی هستیم که بتواند با بهره گرفتن از ترکیب این الگوریتم‌ها و گرفتن نقاط قوت هر یک، نتایج بهینه‌تری را تولید کند. در واقع هدف اصلی خوشه‌بندی ترکیبی^[۱۸] جستجوی بهترین خوشه‌ها با بهره گرفتن از ترکیب نتایج الگوریتم‌های دیگر است [۱, ۸, ۹, ۵۴, ۵۶]. به روشی از خوشه‌بندی ترکیبی که زیرمجموعه‌ی منتخب از نتایج اولیه برای ترکیب و ساخت نتایج نهایی استفاده می‌شود خوشه‌بندی ترکیبی مبتنی بر انتخاب^[۱۹] زیرمجموعه نتایج اولیه می‌گویند. در این روش‌ها بر اساس معیاری توافقی مجموعه‌ای از مطلوب‌ترین نتایج اولیه را انتخاب کرده و فقط توسط آن‌ها نتیجه نهایی را ایجاد می‌کنیم [۲۱]. معیارهای مختلفی جهت انتخاب مطلوب‌ترین روش پیشنهاد شده است که معیار اطلاعات متقابل نرمال شده^[۲۰]، روش ماکزیموم^[۲۱] و ^[۲۲]APMM برخی از آن‌ها می‌باشند [۸, ۹, ۲۱, ۶۷]. دو مرحله مهم در خوشه‌بندی ترکیبی عبارت‌اند از:
اول، الگوریتم‌های ابتدایی خوشه‌بندی که خوشه‌بندی اولیه را انجام می‌دهد.
دوم، جمع‌بندی نتایج این الگوریتم‌های اولیه (پایه) برای به دست آوردن نتیجه نهایی.
۱-۳. خرد جمعی
نظریه خرد جمعی^[۲۳] که اولین بار توسط سورویکی^[۲۴] در سال ۲۰۰۴ در کتابی با همان عنوان منتشر شد، استنباطی از مسائل مطرح‌شده توسط گالتون^[۲۵] و کندورست^[۲۶] می‌باشد، و نشان می‌دهد که قضاوت‌های جمعی و دموکراتیک از اعتبار بیشتری نسبت به آنچه که ما انتظار داشتیم برخوردار است، ما تأثیرات این ایده را در حل مسائل سیاسی، اجتماعی در طی سال‌های اخیر شاهد هستیم. در ادبیات خرد جمعی هر جامعه‌ای را خردمند نمی‌گویند. از دیدگاه سورویکی خردمند بودن جامعه در شرایط چهارگانه پراکندگی^[۲۷]، استقلال^[۲۸]، عدم تمرکز^[۲۹] و روش ترکیب مناسب^[۳۰] است [۵۵].
۱-۴. خوشه‌بندی مبتنی بر انتخاب بر اساس نظریه خرد جمعی
هدف از این تحقیق استفاده از نظریه خرد جمعی برای انتخاب زیرمجموعه‌ی مناسب در خوشه‌بندی ترکیبی می‌باشد. تعاریف سورویکی از خرد جمعی مطابق با مسائل اجتماعی است و در تعاریف آن عناصر سازنده تصمیمات رأی افراد می‌باشد. در این تحقیق ابتدا مبتنی بر تعاریف پایه سورویکی از خرد جمعی و ادبیات مطرح در خوشه‌بندی ترکیبی، تعریف پایه‌ای از ادبیات خرد جمعی در خوشه‌بندی ترکیبی ارائه می‌دهیم و بر اساس آن الگوریتم پیشنهادی خود را در جهت پیاده‌سازی خوشه‌بندی ترکیبی ارائه می‌دهیم [۵۵]. شرایط چهارگانه خوشه‌بندی خردمند که متناسب با تعاریف سورویکی باز تعریف شده است به شرح زیر می‌باشد:
پراکندگی نتایج اولیه، هر الگوریتم خوشه‌بندی پایه باید به طور جداگانه و بدون واسطه به داده‌های مسئله دسترسی داشته و آن را تحلیل و خوشه‌بندی کند حتی اگر نتایج آن غلط باشد.
استقلال الگوریتم، روش تحلیل هر یک از خوشه‌بندی‌های پایه نباید تحت تأثیر روش‌های سایر خوشه‌بندی‌های پایه تعیین شود، این تأثیر می‌تواند در سطح نوع الگوریتم (گروه) یا پارامترهای اساسی یک الگوریتم خاص (افراد) باشد.
عدم تمرکز، ارتباط بین بخش‌های مختلف خوشه‌بندی خرد جمعی باید به گونه‌ای باشد تا بر روی عملکرد خوشه‌بندی پایه تأثیری ایجاد نکند تا از این طریق هر خوشه‌بندی پایه شانس این را داشته باشد تا با شخصی سازی و بر اساس دانش محلی خود بهترین نتیجه ممکن را آشکار سازد.
مکانیزم ترکیب مناسب، باید مکانیزمی وجود داشته باشد که بتوان توسط آن نتایج اولیه الگوریتم‌های پایه را با یکدیگر ترکیب کرده و به یک نتیجه نهایی (نظر جمعی) رسید.
در این تحقیق دو روش برای ترکیب خوشه‌بندی ترکیبی و خرد جمعی پیشنهاد شده است. با بهره گرفتن از تعاریف بالا الگوریتم روش اول مطرح خواهد شد که در آن، جهت رسیدن به نتیجه نهایی از آستانه‌گیری استفاده می‌شود. در این روش الگوریتم‌های خوشه‌بندی اولیه غیر هم نام کاملاً مستقل فرض خواهند شد و برای ارزیابی استقلال الگوریتم‌های هم نام نیاز به آستانه‌گیری می‌باشد. در روش دوم، سعی شده است تا دو بخش از روش اول بهبود یابد. از این روی جهت مدل‌سازی الگوریتم‌ها و ارزیابی استقلال آن‌ها نسبت به هم یک روش مبتنی بر گراف شبه کد ارائه می‌شود و میزان استقلال به دست آمده در این روش به عنوان وزنی برای ارزیابی پراکندگی در تشکیل جواب نهایی مورد استفاده قرار می‌گیرد. جهت ارزیابی، روش‌های پیشنهادی با روش‌های پایه، روش‌ ترکیب کامل و چند روش معروف ترکیب مبتنی بر انتخاب مقایسه خواهد شد. از این روی از چهارده داده استاندارد و یا مصنوعی که عموماً از سایت UCI [76] جمع‌ آوری شده‌اند استفاده شده است. در انتخاب این داده‌ها سعی شده، داده‌هایی با مقیاس‌ کوچک، متوسط و بزرگ انتخاب شوند تا کارایی روش بدون در نظر گرفتن مقیاس داده ارزیابی شود. همچنین جهت اطمینان از صحت نتایج تمامی آزمایش‌های تجربی گزارش‌شده حداقل ده بار تکرار شده است.
۱-۴-۱- فرضیات تحقیق
این تحقیق بر اساس فرضیات زیر اقدام به ارائه روشی جدید در خوشه‌بندی ترکیبی مبتنی بر انتخاب بر اساس نظریه خرد جمعی می‌کند.
۱ ) در این تحقیق تمامی آستانه‌گیری‌ها بر اساس میزان صحت نتایج نهایی و مدت زمان اجرای الگوریتم به صورت تجربی انتخاب می‌شوند.
۲ ) در این تحقیق جهت ارزیابی عملکرد یک الگوریتم، نتایج اجرای آن را بر روی‌داده‌های استاندارد UCI در محیطی با شرایط و پارامترهای مشابه نسبت به سایر الگوریتم‌ها ارزیابی می‌کنیم که این داده‌ها الزاماً حجیم یا خیلی کوچک نیستند.
۳ ) جهت اطمینان از صحت نتایج آزمایش‌ها ارائه‌شده در این تحقیق، حداقل اجرای هر الگوریتم بر روی هر داده ده بار تکرار شده و نتیجه‌ی نهایی میانگین نتایج به دست آمده می‌باشد.
۴ ) از آنجایی که روش مطرح‌شده در این تحقیق یک روش مکاشفه‌ای است سعی خواهد شد بیشتر با روش‌های مکاشفه‌ای مطرح در خوشه‌بندی ترکیبی مقایسه و نتایج آن مورد بررسی قرار گیرد.
در این فصل اهداف، مفاهیم و چالش‌های این تحقیق به صورت خلاصه ارائه شد. در ادامه این تحقیق، در فصل دوم، الگوریتم‌های خوشه‌بندی پایه و روش‌های خوشه‌بندی‌ ترکیبی مورد بررسی قرار می‌گیرد. همچنین به مرور روش‌های انتخاب خوشه^[۳۱] و یا افراز^[۳۲] در خوشه‌بندی ترکیبی مبتنی بر انتخاب خواهیم پرداخت. در فصل سوم، نظریه خرد جمعی و دو روش پیشنهادی خوشه‌بندی خردمند ارائه می‌شود. در فصل چهارم، به ارائه نتایج آزمایش‌های تجربی این تحقیق و ارزیابی آن‌ها می‌پردازیم و در فصل پنجم، به ارائه‌ نتایج و کار‌های آتی خواهیم پرداخت.
فصل دوم
مروری بر ادبیات تحقیق

1. 1. مروری بر ادبیات تحقیق

۲-۱. مقدمه
در این بخش، کارهای انجام‌شده در خوشه‌بندی و خوشه‌بندی ترکیبی را مورد مطالعه قرار می‌دهیم. ابتدا چند الگوریتم‌ پایه خوشه‌بندی معروف را معرفی خواهیم کرد. سپس چند روش کاربردی جهت ارزیابی خوشه، خوشه‌بندی و افرازبندی را مورد مطالعه قرار می‌دهیم. در ادامه به بررسی ادبیات خوشه‌بندی ترکیبی خواهیم پرداخت و روش‌های ترکیب متداول را بررسی خواهیم کرد. از روش‌های خوشه‌بندی ترکیبی، روش ترکیب کامل و چند روش معروف مبتنی بر انتخاب را به صورت مفصل شرح خواهیم داد.
۲-۲. خوشه‌بندی
در این بخش ابتدا انواع الگوریتم‌های خوشه‌بندی پایه را معرفی می‌کنیم و سپس برخی از آن‌ها را مورد مطالعه قرار می‌دهیم سپس برای ارزیابی نتایج به دست آمده چند متریک معرفی خواهیم کرد.
۲-۲-۱. الگوریتم‌های خوشه‌بندی پایه
به طور کلی، الگوریتم‌های خوشه‌بندی را می‌توان به دو دسته کلی تقسیم کرد:

—

—

۱۳.۶۶

—

تجزیه مسئله با شبکه‌های عصبی بازگشتی

ژانگ، ۲۰۱۲ ]۲۴[

—

—

۲.۱۷e-2

—

روش پیشنهاد شده

—

۴.۴۸e-6

۷.۲۸e-5

۲.۱e-3

۹.۱e-3

۶-۴: نتیجه گیری
همانطور که مشاهده کردید روش ترکیبی ارائه شده روی سه سری زمانی معروف مکی‌گلاس، لورنز و لکه‌های خورشیدی اجرا شد. این روش ترکیبی به طور کلی شامل دو پیش‌بینی کننده خطی و غیرخطی به ترتیب برای پیش‌بینی مقادیر خطی و غیرخطی از سری زمانی آشوبی می‌باشد. با توجه به نتایج، مدل‌های ارائه شده برای هر قسمت، توانسته هر یک از مؤلفه‌ها را به طور کارایی پیش‌بینی کند. در واقع پیش‌بینی کننده خطی مورد استفاده توانسته است مقادیر خطی را پیش‌بینی کند. در ادامه محاسبه خطا و در نظر گرفتن آن به عنوان یک سری زمانی جدید باعث تفکیک بخش خطی از غیرخطی در سری زمانی اصلی شده است. سپس استفاده از پیش‌بینی کننده غیرخطی با خصوصیات معرفی شده، امکان پیش‌بینی کاراتر مقادیر غیرخطی از سری‌زمانی را به ما داده است. در انتها با جمع کردن خروجی این پیش‌بینی کننده، مقادیر خطی و غیرخطی پیش‌بینی شده را در کنار هم خواهیم داشت. همچنین با توجه به اهمیتی که پارامترهای فضای‌حالت، در دقت پیش‌بینی دارند، قابل ذکر است که در این پژوهش انتخاب این پارامترها، براساس مقادیر بهینه ارائه شده توسط پژوهش‌گران این زمینه، بوده است.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

محاسبه خطای نهایی و مقایسه‌ی آن با مقادیر واقعی، حاکی از آن است که مقدار نهایی روش ارائه شده بسیار نزدیک به مقادیر واقعی می‌باشد. همچنین در مقایسه با دیگر روش‌ها، کارایی روش ترکیبی معرفی شده خوب و پیش‌بینی دقیق‌تری را فراهم کرده است.
فصل هفتم
۷ فصل هفتم نتیجه‌گیری و پیشنهادها
۷-۱: نتیجه گیری
سری‌زمانی مجموعه‌ای از مشاهدات است که براساس زمان مرتب شده‌است [۱]. سری‌زمانی یکی از شاخه‌های آمار و احتمال است که نه تنها در زمینه‌های مختلف همچون اقتصاد، بازاریابی و هواشناسی نیز کاربرد فراوانی دارد، دامنه کاربرد آن روز به روز گسترده‌تر شده و نیاز پژوهشگران برای تحلیل آن افزون‌تر می‌گردد. در تحلیل یک سری زمانی، هدف شناسایی الگوی داده‌ها و در نتیجه پیش‌بینی مقادیر آینده یک سری براساس مقادیر گذشته و حال آن است.
در چند دهه گذشته، پیش‌بینی سری‌های زمانی آشوبی یکی از موضوعات چالش‌برانگیز و مهم بوده است [۱۷]. سری‌زمانی آشوبی را می‌توان به عنوان زیرمجموعه‌ای از فرآیندهای غیرخطی که نتایج بسیار پیچیده و نامنظم ایجاد می‌کنند، تعریف کرد. در واقع رفتار آشوب‌گونه دو ویژگی مهم دارد به طوری‌که اینگونه رفتار از یک دید غیرقابل پیش‌بینی ولی از دید دیگر دارای الگوی نهفته در درون خود است. طبق نظریه آشوب، رویدادها در جهان چنان پیچیده و پویا هستند که به نظر بی‌نظم می‌رسند اما در حقیقت نظام آشوب‌گونه دارای نظم زیربنایی است که شناسایی این نظم زیربنایی و نهفته اگرچه غیرممکن نیست ولی مشکل است زیرا عوامل و پارامترهای متعددی در تعامل پویا و غیرقابل پیش‌بینی، رفتار پدیده‌ها را شکل داده و الگوی رفتاری آینده آن‌را به وجود مـی‌آورند [۲].
به طورکلی در تحلیل سری‌های زمانی آشوبی، بعد از تشخیص ویژگی‌های یک سیستم، برای شناسایی بهتر رفتار سیستم باید آن را در فضای‌حالت مناسب جاسازی کنیم. پایان بخش تحلیل سری‌زمانی آشوبی، مسئله پیش‌بینی است، که شامل مطالعه رفتار گذشته و حال سیستم برای پیش‌بینی آینده می‌باشد [۱۹]. پیش‌بینی سری‌های زمانی آشوبی در زمینه‌های مختلف از جمله پردازش سیگنال، جریان ترافیک، پیش‌بینی هوا، پیش‌بینی لکه‌های خورشیدی و بسیاری از زمینه‌های دیگر مشاهده شده است [۱۷]. به علت اهمیت مقادیر پیش‌بینی در نحوه تصمیم‌گیری برای هر موضوع، دقت روش‌های پیش‌بینی باید مورد توجه قرار گیرد.
امروزه روش‌های هوش محاسباتی به طور گسترده برای پیش‌بینی سری‌های زمانی آشوبی بکارگرفته می‌شوند. در این بین از شبکه‌های عصبی مصنوعی به عنوان یک ابزار مستقل و یا کمکی به طور گسترده برای پیش‌بینی استفاده شده است. امتیاز شبکه‌های عصبی اینست که بدون یک دانش اولیه از فرایند فیزیکی، واقعی قادر است تا نگاشت از ورودی به خروجی را یادگیری کرده و مقیاس بزرگی از مسائل غیر خطی را حل کند. از طرفی ترکیب سایر روش‌‌های هوش محاسباتی با این شبکه‌ها، به کاهش خطای خروجی آن‌ها کمک خواهد کرد.
در بررسی پژوهش‌های مختلف به این نکته رسیدیم که در روش‌های پیش‌بینی، تحلیل خطا کمتر مورد توجه بوده است. خطا را می‌توان تفاوت میان داده‌ی واقعی و ارزشی که یک معادله‌ی برآوردی ارائه کرده است، تعریف کرد. در برخی موارد، خطا‌ها همبستگی بالایی را نشان می‌دهند، معنای آن این است که مدل پیش‌بینی کاملا ویژگی‌های سیستم را بدست نیاورده است یا به عبارتی خطاهای پیش‌بینی به علت تصادفی بودن نیستند. مواردی وجود دارند که خطا‌ها ویژگی‌های سیستم اصلی را به ارث می‌برند ]۳۳[. پس می‌توان با بهره بردن از سهم تجزیه و تحلیل خطا‌ها در روش‌های پیش‌بینی، این روش‌ها را بهبود بخشید.
همچنین با توجه به این‌که سری‌های زمانی به طور کلی شامل مؤلفه‌های خطی و غیرخطی می‌باشند ]۳۴[. ارائه روش‌های ترکیبی که بتواند هر دو مؤلفه را مدل کند در جهت بهبود کارایی مدل پیش‌بینی مفید خواهد بود.
در این پژوهش پیش‌بینی سری‌زمانی آشوبی با ترکیب نتایج پیش‌بینی کننده خطی و غیرخطی همراه با نظریه جاسازی و تحلیل خطا انجام گرفته است.
پس از انتخاب سری‌زمانی و تشخیص حضور آشوب در آن، پارامترهای فضای‌حالت یعنی بُعد جاسازی و زمان تاخیر برای جاسازی سری در فضای‌حالت مناسب، تعیین می‌شوند. با بهره گرفتن از مقادیر این پارامترها، که به طور کلی D برای بُعد جاسازی و T برای زمان تاخیر در نظر گرفته شده است، و با بهره گرفتن از نظریه جاسازی تاکنز، نقاط فضای‌حالت تولید می‌شوند. یک لایه عصبی خطی با D واحد ورودی و D واحد خروجی با بهره گرفتن از نقاط فضای‌حالت تولید شده‌ی سری‌زمانی، ‌ایجاد شده است. نقاط فضای‌حالت از سری‌زمانی اصلی برای پیش‌بینی به این شبکه عصبی که ما آن را پیش‌بینی کننده خطی نامیدیم، داده می‌شود. در این مرحله به نوعی علاوه بر جداسازی بخش خطی از غیرخطی، یک پیش‌بینی خطی از مقادیر آینده نقاط فضای حالت بدست ‌می‌آید.
برای این شبکه خطی، خطا‌ را محاسبه می‌کنیم. منظور از خطا همان تفاوت میان داده واقعی و داده پیش‌بینی شده بدست‌ آمده از پیش‌بینی کننده خطی است. با توجه به خصوصیت خطا‎‌ها در به ارث بردن ویژگی‌های سری‌زمانی اصلی‌شان، آن‌ها را به عنوان یک سری‌زمانی آشوبی جدید در نظر گرفته و با تعیین پارامترهای D₁ و T₁ برای فضای‌حالت، آن را در فضای حالت مناسب جاسازی می‌کنیم.
سپس یک شبکه المان جدید با D₁ واحد ورودی و D₁ واحد خروجی ایجاد می‌کنیم. در ادامه نقاط فضای‌حالت بدست آمده از سری‌زمانی خطا‌ها را، برای تحلیل و پیش‌بینی به این شبکه عصبی بازگشتی المان که الگوریتم آموزشی آن را با الگوریتم بهینه‌سازی جمعیت ذرات جایگزین کرده‌ایم، می‌دهیم. به این شبکه با خصوصیات مذکور پیش‌بینی کننده غیرخطی می‌گوییم. این پیش‌بینی کننده، به خوبی قابلیت پیش‌بینی مقادیر غیرخطی باقیمانده از سری‌زمانی را دارد.
تا اینجا ما از دو پیش‌بینی کننده استفاده کردیم که هرکدام به ترتیب مقادیر خطی و غیرخطی از سری‌زمانی را پیش‌بینی کردند. حال برای داشتن مقدار نهایی باید مقادیر پیش‌بینی بدست آمده از هر دو مؤلفه را در کنار هم داشته باشیم. بدین منظور مقادیر پیش‌بینی شده از سری‌زمانی اصلی و سری‌زمانی خطا را که به ترتیب شامل خروجی پیش‌بینی کننده خطی و غیرخطی ما هستند، با هم جمع می‌کنیم. برای محاسبه خطای نهایی و همچنین دقت روش پیشنهادی این حاصل جمع را در قیاس با مقادیر واقعی قرار می‌دهیم.
برای ارزیابی روش پیشنهاد شده، روش برای معادلات مکی‌گلاس و لورنز که سری‌های زمانی آشوبی تولید می‌کنند و همچنین برای سری‌زمانی زمان واقعی لکه‌های خورشیدی اجرا شده است. معیارهای ارزیابی خطای مجذور میانگین، خطای مجذور میانگین ریشه و خطای مجذور میانگین ریشه نرمال برای مدل پیشنهادی محاسبه شده است. نتایج به دست آمده از روش پیش‎بینی پیشنهاد شده براساس معیارهای ارزیابی معرفی شده، با روش‌های دیگر مورد مقایسه قرار گرفته است. این روش‌ها هم شامل مدل‌های پیش‌بینی مشابه با روش‌پیشنهادی اما با پیش‌بینی کننده‌های خطی و غیرخطی متفاوت می‌باشد و هم در برگیرنده روش‌های پیش‌بینی موجود در سایر پژوهش‌ها، است. نتایج حاکی از آن است که روش ارائه شده می‌تواند به طور موثرتری سری‌های زمانی آشوبی را پیش‌بینی کند.
همانطور که در فصل گذشته با ارزیابی روش روی سه سری زمانی مشهور آشوبی مشاهده شد، روش پیشنهادی معتبر بوده و توانسته است به طور دقیق‌تری پیش‌بینی سری‌های زمانی آشوبی را انجام دهد.
۷-۲: پیشنهادات
در این مطالعه پارامترهای فضای‌حالت را براساس مقادیر معرفی شده در پژوهش‌های معتبر و همچنین سعی‌و‌خطا تعیین کردیم، به عنوان پیشنهاد می‌توان برای کارهای بعدی روش‌های معتبر دیگری برای تعیین و بهینه‌سازی این مقادیر استفاده کرد.
مقادیر پارامترهای شبکه‌های عصبی مختلف استفاده شده در این روش، همچون تعداد نرون‌های لایه پنهان و همچنین پارامترهای مربوط به الگوریتم بهینه‌سازی جمعیت ذرات که به عنوان الگوریتم آموزشی شبکه عصبی المان مورد استفاده قرار گرفت، براساس فرمول‌های معرفی شده در این زمینه و سعی‌وخطا تعیین شده بود. در کارهای آینده می‌توان روش‌های دیگری را برای انتخاب این پارامترها بکار برد.
ما در این پژوهش روشی را معرفی کردیم که هریک از مؤلفه‌های خطی و غیر خطی سری‌زمانی را به طور جداگانه تحلیل و پیش‌بینی می‌کرد. روش‌ها و گزینه‌های مختلفی را برای پیش‌بینی خطی و غیرخطی معرفی و مورد آزمایش و بررسی قرار دادیم. به عنوان پیشنهادی برای کارهای آتی، توصیه می‌کنم روش‌های معتبر با پارامترهای متفاوت دیگری همانند سایر روش‌های خطی موجود و شبکه‌های عصبی پویا نیز آزمایش شود، تا شاهد نتایج بهتر و دقیق‌تری برای پیش‌بینی سری‌های زمانی آشوبی باشیم.
همچنین با توجه به ‌این‌که اثر بخشی روش پیشنهاد شده را، روی دو سری‌زمانی آشوبی مصنوعی مکی‌گلاس و لورنز و همچنین سری‌زمانی واقعی لکه‌های خورشیدی، مشاهده کردید. می‌توان آن را برای دیگر سری‌های زمانی مصنوعی مانند سری‌‌های‌زمانی آشوبی مصنوعی راسلر و هنون و سری‌های زمانی زمان‌واقعی مربوط به داده‌های مالی، بازار بورس و هواشناسی نیز مورد آزمایش قرار داد.
مراجع
مراجع
]۱[. جاناتان‌دی کرایر، تجزیه و تحلیل سری‌های زمانی، ترجمه نیرومند ح. ع.، انتشارات دانشگاه فردوسی مشهد، مشهد، ۱۳۸۴.
]۲[. مهری ع.، کاربرد نظریه بی نظمی در سازمان‌ها، نشریه مدیریت تدبیر، شماره ۱۲۹. صفحات ۲۲ تا ۲۷. ۱۳۸۱.
]۳[.جی‌ال بیکر، جی‌پی گلوب، آشنایی با دینامیک آشوبناک، ترجمه قناعت‌شعار م.، شریفیان م. ر.، مرکز نشر دانشگاهی، تهران، ۱۳۸۴.
]۴[. پری‌زنگنه م.، عطایی م.، معلم پ.، جاسازی فضای‌حالت سری‌های زمانی آشوبی با بهره گرفتن از یک روش هوشمند، نشریه الکترونیک وقدرت دانشکده مهندسی برق، شماره ۲، ۱۳۸۸.
]۵[. سی چتفیلد، مقدمه ای بر تحلیل سری‌های زمانی، ترجمه نیرومند ح. ع، بزرگ نیا ا.، انتشارات دانشگاه فردوسی مشهد، مشهد،۱۳۸۹.

در روابط بالا ولتاژ شین ها وجه مشترک هستند. بنابراین با بهره گرفتن از روابط ۳-۴۰ و ۳-۴۱ می‌توان این ولتاژ ها را بر حسب جریان ها و یا مشتق جریان ها که حالات سیستم هستند نوشت. سپس با بازنویسی تمامی روابط، معادلات کلی سیستم را به دست آورد. به طور کلی معادلات کلی سیستم به صورت زیر فرض می‌شود:

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

در این رابطه x_Tot کل حالات سیستم، u_Tot کل ورودی های سیستم و v_Tot ولتاژ های شین های ۲ و ۳ را نشان می‌دهند. اگر با کمک روابط ۳-۴۰ و ۳-۴۱، به جای این ولتاژ ها، ورودی ها، حالت های سیستم و مشتق این حالات نوشته شوند، رابطه ۳-۴۸ به شکل زیر تغییر می‌کند:

که در این رابطه F، E و G به ترتیب ماتریس هایی هستند که تاثیر ولتاژ های شبکه را برروی ورودی ها، حالات و مشتقات حالات سیستم نشان می‌دهند. رابطه ۳-۴۹ معادله فضای حالت کلی ریزشبکه است که می‌توان از آن برای بررسی پایداری احتمالی سیستم استفاده کرد.
این روش برای تعیین ماتریس فضای حالت سیستم از آن جهت بسیار سودمند است که اجازه استفاده از ادوات جدید در سیستم قدرت را با داشتن معادلات دیفرانسیل و یا معادلات فضای حالت آنها فراهم می‌کند. از آنجایی که در ریز شبکه ها معمولا از ادوات و کنترلر های جدید برای بهبود کیفیت توان و عملکرد دینامیک سیستم استفاده می‌شود، با بهره گرفتن از این روش می‌توان به خوبی سیستم را مدل سازی کرد و ویژگی های آن را مورد مطالعه قرار داد. هرچند، همانطور که از حجم زیاد و پیچیدگی معادلات مشخص است این روش برای سیستم های قدرت بزرگ نمی‌تواند سودمند باشد و بررسی سیستم های بزرگ با بهره گرفتن از این روش نیازمند محاسبه حجم بالایی از معادلات پیچیده است. بنابر دلایل گفته شده، این روش یک راهکاری مناسب برای بررسی مشخصات دینامیکی یک سیستم ریزشبکه محسوب می‌شود.
فصل چهارم
معرفی روش های آنالیز احتمالی
به منظور بررسی پایداری احتمالی ریز‌شبکه، در این مطالعه از مقادیر ویژه سیستم استفاده می‌شود [۳۲]. سیستم قدرت در صورتی از لحاظ پایداری سیگنال کوچک ناپایدار محسوب می‌شود که یک یا چند مقدار ویژه آن قسمت حقیقی^[۱۰۳] در سمت راست محور موهومی^[۱۰۴] داشته باشند. در نتیجه برای بررسی پایداری و یا عدم پایداری سیستم، با بهره گرفتن از روابط فصل ۲ و ۳، ماتریس حالت سیستم تعیین شده، و سپس مقادیر ویژه ریزشبکه با کمک این ماتریس حالت پیدا می‌شوند. از آنجایی که در اینجا هدف بررسی پایداری احتمالی ریزشبکه است، با بهره گرفتن از روش های آماری، احتمال اینکه مقادیر ویژه سیستم قسمت حقیقی مثبت داشته باشند را از روی احتمال سرعت باد و متعاقبا توان تولیدی توربین های بادی به دست می‌آوریم. در این فصل به بررسی روش های احتمالی و آماری برای بررسی پایداری احتمالی سیستم ریزشبکه می‌پردازیم.

آمار استنباطی :
برای تحلیل داده ها، از تحلیل کوواریانس استفاده شد.. نتایج در جدول های زیر ارائه شده است.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

فرضیه اول : آموزش مهارت حل تعارض ، میزان رضایت زناشویی زوجین را افزایش می دهد .
جدول ۵ : نتایج تحلیل کوواریانس اثرات آموزش حل تعارض بر رضایت زناشویی زوجین

منابع
میانگین مجذورات
درجه آزادی

F

معناداری
ضریب تاثیر

گروه

۶۴/۲۵۳۴۴
۱
۱۸۷/۵۱
۰۰۱/۰
۶۹/۰

داده های جدول ۵، نشان می دهد که F مشاهده شده گروه های آزمایش و کنترل در سطح ۰۵/۰ P < معنادار می باشد . ( P ≤۰/۰۰۱ _ F = 51/187 ) لذا فرض صفر رد می شود و میتوان چنین نتیجه گیری نمود که بین میانگین رضایت زناشویی گروه آزمایشی و کنترل تفاوت معنادار وجود دارد و میتوان گفت آموزش مهارت حل تعارض ، ضایت زناشویی را افزایش داده است. ضریب تأثیر نیز نشان میدهد که ۶۹ درصد از تفاوت نمرات ضایت زناشویی گروه آزمایش و کنترل مربوط به تأثیر آموزش حل مسئله میباشد.
فرضیه دوم : آموزش مهارت حل تعارض ، میزان صمیمیت روانشناختی زوجین را افزایش می دهد .
جدول ۶ : نتایج تحلیل کوواریانس اثرات آموزش حل تعارض بر صمیمیت زوجین
داده های جدول ۶ ، نشان می دهد که F مشاهده شده گروه های آزمایش و کنترل در سطح ۰۵/۰ P < معنادار می باشد . ( P ≤۰/۰۰۱ _ F = 65/91 ) بنابراین بین میانگین صمیمیت روانشناختی زوجین گروه آزمایشی و کنترل تفاوت معنادار وجود دارد و میتوان گفت آموزش مهارت حل تعارض ، صمیمیت روانشناختی زوجین را افزایش داده است. ضریب تأثیر نیز نشان میدهد که ۶۹ درصد از تفاوت نمرات صمیمیت روانشناختی زوجین گروه آزمایش و کنترل مربوط به تأثیر آموزش حل مسئله میباشد.
بنابراین می توان نتیجه گرفت آموزش مهارت های حل تعارض بر افزایش صمیمیت زوج ها اثر داشته و تفاوت معنی داری بین میانگین های صمیمیت گروه آزمایشی و گروه گواه ایجاد کرده است .
فصل پنجم
نتیجه گیری
بحث و نتیجه گیری :
هدف پژوهش حاضر تاثیر آموزش های حل تعارض بر رضایت زناشویی و صمیمیت زوجین شهر جوانرود مورد بررسی قرار گرفت ، و در نهایت نتایج زیر در رابطه با دو فرضیه مطرح در پزوهش به دست آمد .
فرضیه اول ما در این پژوهش آموزش مهارت حل تعارض ، میزان رضایت زناشویی زوجین را افزایش می دهد ، است . در این فرضیه تاثییر آموزش مهارت حل تعارض بر میزان رضایت زناشویی زوجین بررسی شد . یافته های پژوهش نشان داد که بین آموزش مهارت حل تعارض و میزان رضایت زناشویی زوجین رابطه معنادار وجود دارد .
این یافته تقریباً با نتایج نظری (۱۳۸۳) و شفیعی نیا(۱۳۸۱) همسو است.نظری با بهره گرفتن از شیوه ی غنی سازی ارتباط و مشاوره ی راه حل محور به افزایش رضایت زناشویی دست یافته است،وی بهبود ارتباط عاطفی زوج ها و هم زمان به هم بودنشان را در رضایت زناشویی موثر یافته است که تقریباً با یافته های این پژوهش هم خوانی دارد.شفیعی نیا با بهره گرفتن از آموزش مهارتهای حل تعارضات زناشویی به زنان روابط متقابل زن و شوهر را بهبود بخشید.وی همکاری زوج ها ،رابطه خانوادگی زوج ها را با خانواده خود و خانواده همسرشان و عدم حمایت فرزنددر مقابل همسر از جمله عوامل مؤثر در بهبود رضایت زناشویی دانست که با نتایج پژوهش حاضر هم خوانی دارد.
در تبیین نتیجه بدست امده باید گفت که اصولا شناخت و رفتار دو مولفه اساسی تعاملات متقایل به ویژه تعاملات زناشویی هستند . افراد مجموعه ای از انتظارات ، باورها و تصورات خیالی مربوطه به نقش خود و همسرشان رادر پیوند زناشویی داخل می کنند که متاسفانه بسیاری از این انتظارات شدیداً غیر واقع بینانه هستند و از این رو سبب گسترش ناامیدی _ بی اعتمادی و پرخاشگری می شوند .
جاکوبسون و مارگولین (۱۹۷۱) یک از مشخصه های اصلی مشکلات موجود در روابط زناشویی به کارگیری محرک های آزاردهنده از سوی هر یک از زوجین برای کنترل رفتار طرف مقابل است . با توجه به مطالب مذکور دلیل اثر بخشی آموزش های حل تعارض بر رضایت زناشویی روشن میگردد . چون اصولا در این آموزش های زوجین تشویق می شوند که اختلاف و تعارض های خود را با بهره گرفتن از شیوه های مسالمت آمیز و گفتگو حل کنند .
فرضیه دوم ما در این پژوهش آموزش مهارت حل تعارض ، میزان صمیمیت روانشناختی زوجین را افزایش می دهد ، است .در این فرضیه تاثیر آموزش حل تعارض بر میزان صمیمیت روانشناختی زوجین بررسی شد . یافته های پژوهش نشان داد که بین آموزش مهارت حل تعارض و میزان صمیمیت روانشناختی زوجین رابطه معنادار وجود دارد .نتایج حاصل از این فرضیه حاضر نشان داد که آموزش حل تعارض میزان صمیمیت و رضایت زناشویی زوجین را افز ایش داد.
این یافته با نتایج پژوهشی مختلف از جمله پژوهش خدابخش احمدی ( ۱۳۸۲ )، مبتنی بر تأثیر روش حل مشکل بر سازگاری زناشویی و روابط صمیمانه؛ اعتمادی ( ۱۳۸۴ )، مبنی بر اثربخشی روش های شناختی- رفتاری بر صمیمیت کلی، عاطفی و جنسی ؛ اولیاء ( ۱۳۸۵ )، مبتنی بر تأ ثیر برنامه غنی سازی بر صمیمیت کلی، عاطفی، عقلانی، روانشناختی، اجتماعی- تفریحی و هایکمن و همکاران ( ۱۹۹۷ )، )، مبنی بر اثر آموزش برنامه غنی سازی بر صمیمیت زناشویی همسو بود.
بر اساس نظریه برابری، زوجها زمانی میتوانند با همسر خود صمیمی شوند که در رابطه خویش احساس برابری داشته و بازده و سودی که از رابطه حاصل می شود، با بازده و سودی که همسرشان بدست می آورد، قابل مقایسه باشد. مهارت حل مسئله با هدف حل مشکلات، رسیدن به یک راه حل عملی مورد توافق دو همسر و ایجاد جو مشارکتی، زوج را متعهد می سازد تا مشکلات را به شکلی حل نمایند که نیاز نباشد یک همسر به خاطر دیگری از دست برود و نهایتاً با شکل گیری الگوی برنده- برنده، هر دو همسر احساس برابر ی نمایند . این خود موجب می شود میزان
صمیمیت در رابطه افزایش یابد.
یافته دیگر پژوهش، اثربخشی آموزش حل تعارض بر افزایش صمیمیت عقلانی را نشان داد که با نتیجه پژوهش اولیاء ( ۱۳۸۶ )، همسو و با نتایج پژوهش اعتمادی ( ۱۳۸۴ )، ناهمسو می باشد .
صمیمیت عقلانی در میان نهادن عقاید، افکار و باورها با همسر است. مؤلفه حیاتی لازم برای ایجاد صمیمیت عقلانی توانایی نگریستن به دنیا از چشم همسر و احترام به دیدگاه هم سر است ( باگاروزی، ۲۰۰۱ ). آموزش حل تعارض مسئله به زوجها کمک میکند نسبت به مسائل نگرش واقع بینانه داشته و اختلافها را به عنوان یک مسئله و چالش در نظر بگیرند. این نگرش سبب میشود هر دو همسر به یک دید مشابه در مورد مشکلات زناشویی دست یابند و بر اساس نظریه تعادل ش ناختی، نگرشهای مشابه نسبت به امور نیاز زوجها به تعادل را رفع میکند و باعث می شود زوجها نسبت به هم احساس صمیمیت نمایند (فهر۱۹۹۶ )
همچنین یافته های این پژوهش نشان داد که آموزش راهبردهای حل تعارض غفلت زن، کلامی شوهر سورفتارشوهر وخاتمه دادن زن، پیش بینی کننده ی مناسبی برای رضایتمندی زناشویی است . آموزش راهبردهای حل تعارض با رضایتمندی زناشویی ، رابطه مثبت دارند. به نظر می رسد زنها از اینکه شوهرانشان با آن ها درد دل کنند و از اسرارشان حرف بزنند، لذت می برند و برعکس از لب فروبستن شوهر و از عدم ابراز احساسات او ناراحت می شوند. این تفاوتهای جنسیتی باعث احساسات منفی در زن و کاهش احساس رضایتمندی زناشویی می شود. غفلت زن، در واقع حاکی از نادیده انگاشتن همسر، همکاری نکردن و پاسخگو نبودن است.
محدودیتهای پژوهش :
بسیاری زوجها واقعا به مشاوره انفرادی نیاز دارند و این گروه ها کمکی به آنها نمی کند.
انجام نشدن پیگیری به علت شروع امتحانات دانشجویان
همکاری نکردن زوج ها در بعضی از مواقع و توافق کامل برای حضور همزمان در جلسات
احتیاط در تعمیم دادن نتایج پژوهش به جامعه
در این آموزش ها مهارت های مورد نیاز هر فرد و هر زوج مد نظر قرار نمی گیرد، و
آموزش ها عمومی اند.
به طورکلی، اموزش حل تعارض، به عنوان یک تکنیک شناختی- رفتاری، هم بر جنبه های شناختی و هم رفتاری تأکید دارد و در این پژوهش با اصلاح دید گاه و باورهای فرد در زمینه مسائل و مشکلات زناشویی موجب افزایش رضایت زناشویی و صمیمیت روانشناختی شد. با تکیه بر نتایج بدست آمده پیشنهاد می شود :
پیشنهاد های کاربردی :

در این پروتکل‌ها هر گره سعی دارد که کل توپولوژی شبکه و هزینه هر لینک را در حافظه خود داشته باشد. به عبارتی گراف شبکه در حافظه تمام گره‌ها وجود دارد. جهت اینکه هر گره اطلاعات صحیحی از توپولوژی کل شبکه و هزینه لینک‌ها داشته باشد، باید وضعیت لینک‌های خودش را با همسایگانش بدست آورد و آن را در اختیار تمام گره‌های شبکه قرار دهد .در این پروتکل بروزرسانی به طور متناوب و یا زمانی که اتفاق خاصی در شبکه رخ دهد، انجام می شود. در این روش چون هر گره توپولوژی کل شبکه را می داند (اطلاعات کلی ^[۹۸] دارد )، پیدا کردن کوتاهترین مسیر ساده می باشد. از مشهورترین پروتکل های این دسته OLSR می باشد.
ج پروتکل‌های پیش‌گیرانه ترکیبی:
این پروتکل‌ها ترکیبی از پروتکل‌های مبتنی بر LS و DV می باشند. از نمونه این پروتکل‌ها می توان FSR و WRP را نام برد.
پروتکل‌های مسیریابی مبتنی بر تقاضا یا واکنشی
در پروتکل‌های مسیریابی مبتنی بر تقاضا^[۹۹] یا واکنشی^[۱۰۰] تا زمانی که داده‌ای برای ارسال موجود نباشد، پروتکل به دنبال مسیر نمی‌گردد. اما به مجردی که فرستنده تقاضای ارسال داده داشته باشد، این پروتکل اقدام به کشف مسیر بین فرستنده و گیرنده می کند. بیشتر الگوریتم‌های مسیریابی شبکه‌های اقتضایی از نوع واکنشی می باشند. در این الگوریتم‌ها، هنگام شناسایی مسیر به طور خودبخود ترافیک به صورت سیل آسا وارد شبکه می شود. معمولا هربار که مسیری از دست می رود، دوباره باید روند شناسایی مسیر طی شود (مگر برای پروتکل‌های مسیریابی چند مسیره). همچنین همیشه یک تاخیر برای یافتن مسیر وجود دارد [۳۳]. این پروتکل‌ها براساس نحوه پیش راندن داده ها، خود به دو دسته کلی تقسیم می شوند‌:

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

الف ) پروتکل‌های مسیریابی متکی بر گره مبدا^[۱۰۱]: در این دسته گره مبدا کل مسیر تا گره مقصد و همه گره‌های میانی را می‌داند و این مسیر را در سرایند بسته ^[۱۰۲] می‌نویسد و بسته را ارسال می‌کند. هر بسته باید اطلاعات کل مسیر را با خود حمل کند. DSR و TORA از این دسته از پروتکل‌ها می‌باشد.
ب ) مسیریابی جهش به جهش^[۱۰۳]: در این روش کل اطلاعات مسیر در گره مبدا وجود ندارد، بلکه اطلاعات مسیر در تک تک گره‌های میانی مسیر وجود دارد. به این صورت که هر گره میانی می داند که برای رسیدن به مقصد باید ازکدام همسایه‌اش استفاده کند. یعنی هر گره میانی تنها اطلاعات هاپ بعدی از مسیر را در خود دارد. در این روش گره مبدا، بسته را به همسایه‌ای که در مسیر قرار دارد می دهد، این همسایه نیز بسته را به همسایه دیگرش که در مسیر قرار دارد می‌دهد و این روند تکرار می شود تا بسته به مقصد برسد. پروتکل AODV از جمله این پروتکل‌ها است.
این نوع مسیریابی زمانی مناسب است که فرایند کشف مسیر کمتر از انتقال داده تکرار شود، به این معنا که میزان اطلاعات منتقل شده بر روی هر مسیر بیشتر از میزان ترافیکی باشد که برای پیدا کردن مسیر تولید شده است. این پروتکل‌ها در مقایسه با پروتکل‌های پیشگیرانه از تاخیر بیشتری برخوردار می باشند، اما ترافیک بسته‌های کنترلی کمتری دارند، پهنای باند و انرژی کمتری را مصرف می کنند.
پروتکل‌های مسیریابی سلسله مراتبی
این دسته از پروتکل‌ها، برای گره‌ها نقش یکسانی قائل نیستند. بدین ترتیب که ممکن است کل شبکه را به چند مجموعه از گره‌ها (مثلاً بر اساس حرکت دسته جمعی عده خاصی از گره‌ها با یکدیگر در شبکه ) تقسیم و برای هر مجموعه یک فرمانده انتخاب کنند. بدین ترتیب برای دسترسی به یک گره معمولی داخل شبکه، ابتدا باید به فرمانده آن گره دسترسی پیدا کرد. از جمله این پروتکل‌ها می توان پروتکل HSR را نام برد. این دسته از پروتکل‌ها برای شبکه های بزرگ مناسب هستند. در این شبکه‌ها مسیرها طولانی هستند و به کارگیری مسیریابی مسطح باعث افت عملکرد شبکه می شود .
پروتکل‌های مسیریابی متکی بر موقعیت جغرافیایی
این پروتکل‌ها براساس اطلاعات جغرافیایی و مکانی گره‌ها، مسیریابی را انجام می دهند. این پروتکل‌ها با بهره گرفتن از موقعیت جغرافیایی گره‌های موجود در شبکه که با کمک GPS ^[۱۰۴]به دست می آید، مسیرهای ممکن بین گره‌ها را پیدا می کنند. گره‌ها موقعیت خود را از طریق شبکه ارسال می کنند، به طوری که گره‌های دیگر می توانند کوتاه ترین مسیر را پیدا کنند. این امر گاهی اوقات در کاهش هزینه‌های مسیریابی مؤثر است اما خود گیرنده GPS گران است و توان زیادی را مصرف می کند. از جمله این پروتکل ها DREAM و LAR می باشد .
پروتکل‌های مسیریابی ترکیبی
این پروتکل‌ها، ترکیبی از روش‌های گذشته را به کار می گیرند. یعنی ترکیبی از مسیریابی واکنشی و پیشگیرانه می باشند .کاربرد این پروتکل‌ها در شبکه‌های بزرگ می باشد. از پروتکل‌های مشهور این دسته می توان به ZRP و Safari و … اشاره کرد [۳۴].
در شکل آتی یک تقسیم بندی کلی از پروتکل‌های موجود نشان داده شده است :
شکل ‏۳‑۱ طبقه بندی پروتکل های مسیریابی شبکه های اقتضایی بی سیم
بررسی دقیق تر پروتکل‌های مسیریابی برای ساختار مسطح
در این قسمت از فصل قصد داریم، پروتکل‌های مسیریابی مشهور را به طور دقیق تر بررسی کنیم. ابتدا پروتکل‌های مسیریابی مسطح مشهور مانند DSDV، AODV، OLSR، DSR و TORA را بررسی می‌کنیم. سپس در ادامه به بررسی پروتکل‌های مسیریابی سلسله مراتبی مشهور مانند ZRP و LANmar می پردازیم .
پروتکل مسیریابی DSDV
پروتکل DSDV ^[۱۰۵] بر مبنای الگوریتم کلاسیک Bellman-Ford بنا شده است. این پروتکل مشهورترین پروتکل‌ مسیریابی پیشگیرانه می باشد. در این روش هر گره یک جدول مسیریابی در خود ذخیره می کند. این جدول شامل تمام گره‌های مقصد ممکن و تعداد هاپ فاصله تا هر مقصد می باشد. به هر کدام از این ورودی‌های جدول یک شماره دنباله ^[۱۰۶] اختصاص داده می شود که نشانگر میزان تازه بودن مسیر می باشد. این شماره دنباله توسط گره مقصد تولید می شود. مزیت این روش در اجتناب از بوجود آمدن حلقه‌های مسیریاب در شبکه شامل گره‌های متحرک می‌باشد. برای کم کردن حجم ترافیک ناشی از بروز رسانی مسیرها از بسته‌های افزایشی ^[۱۰۷] استفاده می شود. در نتیجه اطلاعات مسیرها همواره بدون توجه به اینکه آیا گرهی نیاز به استفاده از مسیر دارد یا نه، وجود دارد[۳۵] .
معایب: پروتکل DSDV نیازمند پارامترهایی از قبیل تعیین بازه زمانی به روزرسانی اطلاعات و تعداد بروزرسانی‌های مورد نیاز می‌باشد. این اطلاعات برای شبکه های مختلف متفاوت می باشد. نتایج شبیه سازی نشان داده‌اند که این پروتکل برای شبکه هایی که تحرک بالایی دارند، مناسب نیست و مسیر سرعت همگرایی پایین است .[۳۳]
پروتکل مسیریابی AODV
این پروتکل براساس الگوریتم DSDV طراحی شده است، با این تفاوت که مسیر را تنها هنگام نیاز شناسایی می کند. الگوریتم شناسایی مسیر تنها زمانی آغاز به کار می کند که مبدا بسته‌ای برای ارسال به مقصد داشته باشد و مسیری بین دو گره موجود نباشد. در این روش از شماره دنباله مقصد ^[۱۰۸] جهت تعیین مسیر تازه‌تر استفاده می شود. در این روش اطلاعات هاپ بعدی هر مسیر در گره‌های میانی ذخیره می شود و هر گره، هاپ بعدی مسیر را می داند. به این معنا که کل اطلاعات مسیر در مبدا وجود ندارد.
در پروتکل‌های مبتنی بر تقاضا هرگاه گرهی قصد برقراری ارتباط با گره دیگری داشته باشد، اقدام به پیدا کردن مسیر به آن گره می‌کند. در ابتدا به دنبال گره مقصد در جدول مسیریابی محلی خود می‌کند. اگر چنین مسیری موجود نبود. یک پیام تقاضای مسیر ^[۱۰۹] را در کل شبکه به طور سیل‌آسا پخش می کند. این پیام ممکن است مسیرهای مختلف را به مقصدهای مختلف پیدا کند. بزرگترین تفاوت AODV با سایر مسیریابی‌های مبتنی بر تقاضا در این است که AODV از شماره دنباله مقصد جهت تعیین مسیر به روز رسانی شده به مقصد استفاده می کند. یک گره اطلاعات مسیرش را به روزرسانی می کند، به شرطی که شماره دنباله مقصد بسته رسیده شده، بیشتر از شماره دنباله مقصد ذخیره شده در گره باشد. یک گره میانی زمانی که پیام RREQ را دریافت کرد یا آن را منتقل می کند و یا اگر مسیری به مقصد داشته باشد، یک پیام RREP را آماده می کند. هر گاه گرهی پیام RREQ تکراری دریافت کرد، آن را دور می ریزد .
هر گره میانی که پیام RREQ را می خواهد بازپخش کند، آدرس گره قبلی و شناسه همه پخشی ^[۱۱۰] این پیام RREQ را ذخیره می کند. هر گره یک زمان سنج دارد. اگر پیام RREP در زمان مشخصی نرسید، زمان سنج این اطلاعات ذخیره شده مربوط به این پیام RREQ را پاک می کند. این امر باعث می شود که مسیرهای درست در گره‌های میانی ذخیره شود. از آنجا که در AODV اطلاعات مسیر در بین گره‌های میانی به صورت گره پرش بعدی ذخیره می شود، پس
زمانی که گرهی پیام RREP را دریافت کرد، اطلاعات مربوط به گرهی که این پیام را از آن دریافت کرده است در خود ذخیره می کند. از این طریق زمانی که می خواهد بسته را ارسال کند، می داند که گره هاپ بعدی کدام می باشد[۵] .
پروتکل DSR
مسیریابی منبع پویا ^[۱۱۱] یا DSR شامل دو مرحله اصلی می باشد: شناسایی مسیر و نگهداری مسیر. در مرحله شناسایی مسیر یک منبع که به دنبال یافتن مسیری به مقصد است، با کمک بسته های RREQ و RREP مسیری را بین مبدا و مقصد پیدا می‌کند. در رویه نگهداری مسیر، گره در حین استفاده از مسیر با کمک تصدیق‌ها و اشتباهات لینکی می‌فهمد که توپولوژی شبکه تغییر یافته است. در این پروتکل منظور از اطلاعات مسیر، همه گره‌هایی میانی می باشند که در مسیر شرکت دارند. برخلاف روش AODV و DSDV که تنها اطلاعات هاپ بعدی را در مسیر نگه‌داری می کنند. مبدا همه اطلاعات مسیر را در بسته داده می گذارد و بسته را از طریق گره‌های میانی در مسیر ارسال می کند.
پروتکل DSR به همه گره‌ها اجازه می دهد تا بسته‌های داده‌ای را که از گره‌های همسایه رد می‌شوند، بخاطر آدرس مسیری که در آن‌ها وجود دارد، بررسی کنند. در نتیجه هر گره می تواند از این اطلاعات جهت بروز رسانی مسیرهای موجود در حافظه‌اش استفاده کند. همچنین برای کاهش هزینه شناسایی مسیر، هر گره ابتدا پیام RREQ را به همسایگانش همه پخشی می کند، اگر پاسخی دریافت نشد، سپس این پیام را در کل شبکه پخش می کند.
در این پروتکل، زمانی که گرهی می فهمد آدرس‌اش، در مسیر ذخیره شده در header بسته‌ای قرار دارد. خودش می‌آید و مسیر کوتاهتری به خودش را به فرستنده این بسته ارسال می کند. این را مسیر خودکار کوتاه شده ^[۱۱۲] می نامد. یک بهبود که در این روش ایجاد شده است، ممانعت از رخداد توفان بسته های پاسخ مسیر ^[۱۱۳] است. به این علت که ممکن است پیام‌های پاسخ مسیر زیادی به طور همزمان ارسال شود، در نتیجه یک زمان تاخیر متناسب با فاصله براساس هاپ که تا مبدا دارند، می‌تواند اعمال شود. به این طریق مسیرهای کوتاه تر، پیام پاسخ مسیر را زودتر ارسال می کنند. یک روش دیگر که استفاده می شود در این است که زمانی که گره میانی که می خواهد بسته‌ای را ارسال کند، متوجه شود مسیر در هاپ بعدی اش قطع شده، آنگاه اگر مسیر جایگزینی به مقصد داشته باشد، خودش مسیر جایگزین را با مسیر ذخیره شده در بسته عوض می کند [۵].
پروتکل OLSR
پروتکل مسیریابی OLSR ^[۱۱۴] یک پروتکل مسیریابی پیش‌گیرانه و مبتنی بر جدول است. این پروتکل در اصل بهبود یافته پروتکل مسیریابی وضعیت لینک برای شبکه‌های اقتضایی متحرک است. در این روش اطلاعات توپولوژی شبکه به طور متناوب با سایر گره‌ها معاوضه می شود. ایده کلیدی این روش در بکارگیری گره‌های بازپخش کننده چند نقطه ای ^[۱۱۵] یا MPR است. هر گره یک سری از همسایگانش را به عنوان MPR انتخاب می‌کند. از MPR ها جهت انتقال اطلاعات همه‌پخشی در فرایند ارسال سیل‌آسای پیام استفاده می شود. این کار باعث می‌شود تا سربار پیام‌های کنترلی در مقابل روش ارسال سیل‌آسای قدیمی کاهش یابد. در این پروتکل، اطلاعات وضعیت لینک تنها توسط گره‌های MPR تولید می‌شود. در نتیجه این عمل نیز باعث بهینه‌تر شدن سربار پیام‌های کنترلی پخش شده در شبکه می شود. (در پروتکل OLSR تنها گره‌های MPR مسول انتقال اطلاعات کنترلی می باشند.) همچنین گره‌های MPR اطلاعات لینک را به انتخاب کننده هایشان^[۱۱۶] گزارش می‌دهند. در نتیجه در این روش اطلاعات کمتری در مقایسه با روش وضعیت لینک قدیمی در شبکه منتشر می شود. از این اطلاعات جهت محاسبه مسیرها استفاده می شود. پروتکل OLSR مسیر بهینه از نظر تعداد هاپ را فراهم می کند. این پروتکل برای شبکه‌های بزرگ با چگالی گره زیاد مناسب است، زیرا در این شبکه‌ها تکنیک بکارگیری MPR بسیار خوب جواب می دهد [۳۶].
بررسی دقیق‌تر پروتکل‌های مسیریابی سلسله مراتبی
در بخش پیشین پروتکل‌های مشهور ساختار مسطح را معرفی کردیم. اما همانطور که قبلا بیان شد، این پروتکل‌ها با مشکل مقیاس‌پذیری مواجه هستند. به این صورت که هرچه تعداد گره‌ها افزایش یابد و یا سایز شبکه بزرگ شود، عملکرد شبکه افت پیدا می‌کند. برای غلبه بر این مشکل از پروتکل‌های سلسله مراتبی استفاده می شود .در ساختار سلسله مراتبی جهت مسیریابی شبکه را منطقه‌بندی می‌کند. در این ساختار می توان سایز شبکه را بزرگ کرد. شکل زیر یک ساختار سلسله‌مراتبی را نشان می دهد، طبقه پایین شامل تعداد زیادی گره متحرک می باشد. طبقه بالا از سرخوشه‌ها تشکیل شده است[۳۷]. در این بخش قصد داریم، پروتکل‌های سلسله مراتبی مشهور را معرفی کنیم.
شکل ‏۳‑۲ یک مدل کلی از ساختار سلسله مراتبی دو طبقه [۳۷]
پروتکل ZRP
پروتکل ZRP، یک پروتکل مسیریابی ترکیبی از پروتکل‌های پیش‌گیرانه و واکنشی می باشد. هدف از این پروتکل کاهش سربار پیام‌های کنترلی پروتکل پیش‌گیرانه و کاهش تاخیر پروتکل‌های واکنشی می باشد. در این پروتکل در اطراف هر گره یک ناحیه^[۱۱۷] تعریف می شود. هر ناحیه یک شعاع دارد که براساس تعداد هاپ می باشد. هر گره تا این شعاع عضو این ناحیه مسیریابی می باشد. در این پروتکل هر گره لازم نیست اطلاعات مسیرهای کل شبکه را داشته باشد.
در درون هر ناحیه، یکی از پروتکل های پیش‌گیرانه یا مبتنی بر جدول مورد استفاده قرار می گیرد. به این ترتیب هر گره مسیری به سایر گره‌های موجود در آن ناحیه را دارد. به روز رسانی اطلاعات تنها محدود به گره‌های موجود در آن ناحیه می باشد. جهت ارتباط بین ناحیه‌ها از پروتکل‌های واکنشی یا مبتنی بر تقاضا استفاده می شود. در نتیجه اگر مقصد درون ناحیه مبدا باشد، مسیر مهیا است. اما اگر مقصد بیرون از ناحیه مبدا باشد، عملیات شناسایی مسیر آغاز می شود. در این حالت مبدا پیام تقاضای مسیر را به گره‌های مرزی‌اش می دهد. گره‌های مرزی، گره هایی هستند که درون ناحیه بیشترین فاصله ممکن را تا گره مرکزی دارند. این گره‌ها بررسی می‌کنند‌، اگر مقصد درون ناحیه‌شان بود که پیام پاسخ مسیر را به مبدا ارسال می کنند، در غیر این صورت دوباره پیام تقاضای مسیر را به گره‌های مرزی خود می دهند و این روند ادامه پیدا می‌کند تا مقصد پیدا شود[۵].
پروتکل LANMAR
پروتکل مسیریابی LANMAR ^[۱۱۸] ترکیبی از پروتکل مسیریابی FSR ^[۱۱۹]و نشانه‌ها ^[۱۲۰] می‌باشد. در این پروتکل فرض کرده است که یک شبکه اقتضایی بزرگ به گروه‌هایی تقسیم شده است که از نظر مدل حرکتی مشابه هستند. ایده جدید در این مسیریابی در این است که به هر کدام از این مجموعه گره‌ها که از نظر حرکتی مشابه یکدیگر هستند، یک نشانه داده می شود. مشابه گردان‌های نظامی که همه اعضا مدل حرکت مشابهی دارند. این کار برای کاهش میزان سربار پیام‌های بروز رسانی انجام می شود. برای یافتن مسیر بین نشانه‌ها از الگوریتم‌های بردار فاصله مانند DSDV استفاده می شود. همانند مسیریابی FSR هر گره تنها اطلاعات وضعیت لینک‌اش را با گره های همسایه اش مبادله می کند. از FSR جهت مسیریابی محلی استفاده می‌شود. در محدوده چشم‌ماهی مسیریابی وضعیت لینک اجرا می شود. مسیر‌هایی که در محدوده چشم ماهی^[۱۲۱] می‌باشند، دقیق هستند. اما مسیرهایی که خارج از این ناحیه می باشند، توسط نشانه‌ها خلاصه شده‌اند. در نتیجه هر گره اطلاعات دقیقی از توپولوژی موجود در محدوده چشم ماهی دارد و مسیر بردار فاصله‌ای نیز به سایر نشانه‌ها دارد. زمانی که بسته‌ای برای ارسال وجود دارد، اگر مقصد در محدوده چشم ماهی مبدا باشد، که مسیری دقیق بین مبدا و مقصد وجود خواهد داشت. در غیر این صورت، بسته به سمت نشانه ناحیه مقصد ارسال می شود. زمانی که این بسته به ناحیه مقصد رسید، با توجه به اطلاعات FSR موجود، می تواند مسیری دقیق به مقصد داشته باشد[۳۸]. نتایج شبیه سازی نشان داده‌اند که LANMAR از نظر مقیاس‌پذیری و کارایی، عملکرد بهتری در شبکه‌های اقتضایی بزرگ با تحرک زیاد گره‌ها به صورت گروهی دارد[۳۹].
شکل ‏۳‑۳ مسیریابی LANMAR [38]
فصل چهارم: پروتکل‌های مسیریابی در شبکه‌های ناهمگن
مقدمه
در فصل گذشته پروتکل‌های مسیریابی شبکه‌های همگن، معرفی و بررسی شدند. در این فصل، در ابتدا یک معرفی اجمالی از شبکه‌های ناهمگن خواهیم داشت. انواع شبکه‌های ناهمگن، خواص و کاربرد آنها بیان می شود. سپس به سراغ پروتکل‌های مسیریابی معرفی شده در مقالات برای این شبکه‌ها می رویم. در نهایت روش پیشنهادی این پایان نامه به نام Het-DSDV معرفی می شود.
شبکه‌های ناهمگن
شبکه‌های اقتضایی متحرک، پاسخی به نیاز به برقراری سریع و با صرفه اقتصادی ارتباطات در محیط‌های جغرافیایی مختلف می باشند. با این وجود شبکه‌های اقتضایی همگن تنها برای کاربرد‌های موقت با تعداد کاربر کم مناسب هستند. این مسئله منجر به محدود شدن کارایی این شبکه‌ها می‌شود. از طرفی با رشد سریع انواع رادیوهای متحرک، رادیوهای متفاوت که ویژگی و منابع متفاوتی دارند، در یک محیط با هم ترکیب شده اند. در این شبکه‌ها ‌ گره‌ها برای دسترسی به شبکه از تکنولوژی‌های مختلف استفاده می‌کنند. به این شبکه‌ها، شبکه‌های ناهمگن گویند. با بهره بردن از مزایای ناهمگن بودن گره‌ها، می توان بر این مشکل غلبه کرد و شبکه‌ای مقاوم با قابلیت مقیاس‌پذیری بوجود آورد. پروتکل‌های مسیریابی می توانند نقش موثری در بهره بردن از این تنوع تکنولوژی را داشته باشند. اما اغلب پروتکل‌های مسیریابی کنونی برای شبکه‌های همگن طراحی شده اند. هم اکنون شبکه های بی سیم ناهمگن در بسیاری از کاربردها اهمیت حیاتی دارند. اما پروتکل مسیریابی که مختص شبکه‌های بی سیم ناهمگن باشد، بسیار نادر هستند. به عنوان مثال در محیط‌های نظامی، سنسور‌ها اطلاعات محیط را جمع آوری می کنند و این اطلاعات را جهت انتقال و پردازش به گره‌هایی می دهند که ظرفیت بالاتری دارند و توسط سربازها حمل می شوند[۴۰]. نمایی از یک شبکه مخابرات نظامی که در آن از گره‌های متفاوت استفاده شده است، را در شکل زیر مشاهده می کنید:
شکل ‏۴‑۱: شبکه اقتضایی نظامی
شبکه‌های ناهمگن طیف وسیعی دارند و با توجه به مفهوم گسترده‌ای که دارند، شامل انواع مختلفی از شبکه‌ها می شوند. ناهمگن بودن گره‌ها می تواند در میزان تحرک، میزان باطری، تعداد کانال‌ها، برد رادیویی و … باشد. در این تحقیق منظور از شبکه‌های ناهمگن، شبکه‌هایی می‌باشد که از نظر رادیو دارای تفاوت می باشند. یعنی رادیوهای موجود درشبکه از نظر فرکانس کاری و برد ارسالی و… متفاوت می باشند. هدف در این است که از این تفاوت رادیوها بیشترین بهره برده شود.
گسترش روز‌افزون شبکه‌های ناهمگن
شبکه‌های اقتضایی بی‌سیم، به علتی که نیاز به زیر ساخت ندارند، کاربردهای زیادی پیدا کرده‌اند و در سال‌های اخیر بسیار مورد توجه قرار گرفته‌اند. اما شبکه‌های اقتضایی همگن، با مشکل مقیاس‌پذیری مواجه هستند. تحقیقات اخیر این ضعف عملکرد را هم از نظر تئوری، هم شبیه سازی و هم از نظر نتایج عملی اثبات کرده است. تحقیقات نظری نشان داده‌اند که در شرایط ایده‌ال، با افزایش تعداد گره‌ها، توان عملیاتی ^[۱۲۲] به سرعت به سمت صفر میل می کند. این کاهش توان عملیاتی در عمل بسیار سریعتر از حالت تئوری رخ می دهد[۳۸]. مسیریابی در شبکه‌های اقتضایی نقشی اساسی را ایفا می کند. با توجه به توپولوژی پویا این شبکه‌ها، مسیریابی به مسئله‌ای چالش برانگیز نیز تبدیل شده است. بیشتر پروتکل‌های مسیریابی مسطح در شرایط خاصی عملکرد مناسبی دارند، اما با مشکل مقیاس پذیری مواجه هستند[۲۲]. در [۴۱] نشان داده شده است که زمانی که ترافیک شبکه سنگین است، بسته‌های کنترلی پروتکل‌های مسیریابی، بیشتر پهنای باند موجود را مصرف می کنند. علی رغم محدودیت پهنای باند، در شبکه های بزرگ مسیرهای چند هاپ طولانی بوجود می آید. احتمال شکسته شدن این مسیرهای طولانی و از دست دادن بسته‌ها بسیار بالا است. از دست دادن بسته‌ها مانند هدر دادن پهنای باند می باشد. پس این عامل نیز عملکرد شبکه‌های اقتضایی بزرگ را بسیار بدتر می کند. این عوامل مانع از این می شود که شبکه‌های اقتضایی را برای تعداد کاربر زیاد بکار گیرند و این مسئله منجر به این می‌شود که مزایای شبکه‌های اقتضایی به علت مشکل مقیاس‌پذیری، از دست برود و این مانع از گسترش شبکه های اقتضایی می شود. راه حل این مشکل بکارگیری یک ساختار سلسله مراتبی در شبکه‌های ناهمگن اقتضایی می باشد .