Intelligent Routing in the Network of Information and Telecommunication System of Railway Transport
| dc.contributor.author | Pakhomova, Victoria M. | en |
| dc.contributor.author | Skaballanovich, Tetiana I. | en |
| dc.contributor.author | Bondareva, Valentyna S. | en |
| dc.date.accessioned | 2019-06-04T12:04:03Z | |
| dc.date.available | 2019-06-04T12:04:03Z | |
| dc.date.issued | 2019 | |
| dc.description | V. Pakhomova: ORCID 0000-0002-0022-099X, T. Skaballanovich: ORCID 0000-0001-9409-0139, V. Bondareva: ORCID 0000-0002-4016-1656 | en |
| dc.description.abstract | ENG: Purpose. At the present stage, the strategy of informatization of railway transport of Ukraine envisages the tran-sition to a three-level management structure with the creation of a single information space, therefore one of the key tasks remains the organization of routing in the network of information and telecommunication system (ITS) of railway transport. In this regard, the purpose of the article is to develop a method for determining the routes in the network of information and telecommunication system of railway transport at the trunk level using neural network technology. Methodology. In order to determine the routes in the network of the information and telecommunica-tion system of railway transport, which at present is working based on the technologies of the Ethernet family, one should create a neural model 21-1-45-21, to the input of which an array of delays on routers is supplied; as a result vector – build tags of communication channels to the routes. Findings. The optimal variant is the neural network of configuration 21-1-45-21 with a sigmoid activation function in a hidden layer and a linear activation function in the resulting layer, which is trained according to the Levenberg-Marquardt algorithm. The most quickly the neural net-work is being trained in the samples of different lengths, it is less susceptible to retraining, reaches the value of the mean square error of 0.2, and in the control sample determines the optimal path with a probability of 0.9, while the length of the training sample of 100 examples is sufficient. Originality. There were constructed the dependencies of mean square error and training time (number of epochs) of the neural network on the number of hidden neurons ac-cording to different learning algorithms: Levenberg-Marquardt; Bayesian Regularization; Scaled Conjugate Gradi-ent on samples of different lengths. Practical value. The use of a multilayered neural model, to the entry of which the delay values of routers are supplied, will make it possible to determine the corresponding routes of transmission of control messages (minimum value graph) in the network of information and telecommunication system of railway transport at the trunk level in the real time. | en |
| dc.description.abstract | UKR: Мета. На сучасному етапі стратегія інформатизації залізничного транспорту України передбачає перехід на трирівневу структуру керування зі створенням єдиного інформаційного простору, тому однією із ключо-вих задач залишається організація маршрутизації в мережі інформаційно-телекомунікаційної системи (ІТС). У зв’язку з цим метою статті є розроблення методики визначення маршрутів у мережі інформаційно-телекомунікаційної системи залізничного транспорту на магістральному рівні з використанням нейромере-жної технології. Методика. Для визначення маршрутів у мережі інформаційно-телекомунікаційної системи залізничного транспорту, що на сучасному етапі працює за технологіями родини Ethernet, створено нейронну модель 21–1–45–21, на вхід якої подають масив затримок на маршрутизаторах. За результуючий вектор взяті ознаки входження каналів зв’язку до маршрутів. Результати. Оптимальним варіантом є нейронна мережа (НМ) конфігурації 21–1–45–21 із сигмоїдальною функцією активації у прихованому шарі й лінійною функцією активації у результуючому шарі, що навчається за алгоритмом Levenberg-Marquardt. Нейронна мережа на-вчається найбільш швидко на вибірках різної довжини, менше за інші піддається перенавчанню, досягає значення середньоквадратичної помилки в 0,2 і на контрольній вибірці визначає оптимальний шлях з імові-рністю 0,9, при цьому достатньо довжини навчальної вибірки зі 100 прикладів. Наукова новизна. Побудо-вані залежності середньоквадратичної похибки й часу навчання нейронної мережі (кількості епох) від кіль-кості прихованих нейронів за алгоритмами навчання Levenberg-Marquardt, Bayesian Regularization, Scaled Conjugate Gradient на вибірках різної довжини. Практична значимість. Використання багатошарової ней-ронної моделі, на вхід якої подають значення затримок на маршрутизаторах, дозволить у масштабі реаль-ного часу визначити відповідні маршрути передачі керівних повідомлень (граф мінімальної вартості) в ме-режі інформаційно-телекомунікаційної системи залізничного транспорту на магістральному рівні. | uk_UA |
| dc.description.abstract | RUS: Цель. На современном этапе стратегия информатизации железнодорожного транспорта Украины предусматривает переход на трехуровневую структуру управления с созданием единого информационного пространства, поэтому одной из ключевых задач остается организация маршрутизации в сети информационно-телекоммуникационной системы (ИТС). В связи с этим целью статьи является разработка методики определения маршрутов в сети информационно-телекоммуникационной системы железнодорожного транспорта на магистральном уровне с использованием нейросетевой технологии. Методика. Для определения маршрутов в сети информационно-телекоммуникационной системы железнодорожного транспорта, которая на данном этапе работает по технологиям семейства Ethernet, создано нейронную модель 21–1–45–21, на вход которой подают массив задержек на маршрутизаторах сети. В качестве результирующего вектора приняты признаки включения каналов связи до маршрутов. Результаты. Оптимальным вариантом является нейронная сеть (НС) конфигурации 21–1–45–21 с сигмоидальной функцией активации в скрытом слое и линейной функцией активации в результирующем слое, обучаемая по алгоритму Levenberg-Marquardt. Нейронная сеть обучается наиболее быстро на выборках любой длины, менее других подвержена переобучению, достигает значения среднеквадратичной ошибки в 0,2 и на контрольной выборке определяет оптимальный путь с вероятностью 0,9, при этом достаточно длины обучающей выборки со 100 примеров. Научная новизна. Построены зависимости среднеквадратичной погрешности и времени обучения нейронной сети (количества эпох) от количества скрытых нейронов по алгоритмам обучения Levenberg-Marquardt, Bayesian Regularization, Scaled Con-jugate Gradient на выборках различной длины. Практическая значимость. Использование многослойной нейронной модели, на вход которой подают значения задержек на маршрутизаторах, позволит в масштабе реального времени определить соответствующие маршруты передачи управляющих сообщений (граф минимальной стоимости) в сети информационно-телекоммуникационной системы железнодорожного транспорта на магистральном уровне. | ru_RU |
| dc.identifier | DOI: 10.15802/stp2019/166092 | en |
| dc.identifier.citation | Pakhomova, V. M. Intelligent Routing in the Network of Information and Telecommunication System of Railway Transport / V. M. Pakhomova, T. I. Skaballanovich, V. S. Bondareva // Наука та прогрес транспорту. – 2019. – № 2 (80). – С. 77–90. – DOI: 10.15802/stp2019/166092. | en |
| dc.identifier.issn | 2307-3489 (Print) | |
| dc.identifier.issn | 2307-6666 (Online) | |
| dc.identifier.uri | http://eadnurt.diit.edu.ua/jspui/handle/123456789/11296 | en |
| dc.identifier.uri | http://stp.diit.edu.ua/article/view/166092/167890 | en |
| dc.identifier.uri | http://stp.diit.edu.ua/article/view/166092 | en |
| dc.language.iso | en | en |
| dc.publisher | Дніпровський національний університет залізничного транспорту імені академіка В. Лазаряна, Дніпро | uk_UA |
| dc.subject | information and telecommunication system | en |
| dc.subject | ITS | en |
| dc.subject | router delay | en |
| dc.subject | neural network | en |
| dc.subject | NN | en |
| dc.subject | sample | en |
| dc.subject | activa-tion function | en |
| dc.subject | learning algorithm | en |
| dc.subject | epoch | en |
| dc.subject | error | en |
| dc.subject | інформаційно-телекомунікаційна система | uk_UA |
| dc.subject | ІТС | uk_UA |
| dc.subject | затримка на маршрутизаторі | uk_UA |
| dc.subject | нейронна мережа | uk_UA |
| dc.subject | НМ | uk_UA |
| dc.subject | вибірка | uk_UA |
| dc.subject | функція активації | uk_UA |
| dc.subject | алгоритм навчання | uk_UA |
| dc.subject | епоха | uk_UA |
| dc.subject | похибка | uk_UA |
| dc.subject | информационно-телекоммуникационная система | ru_RU |
| dc.subject | ИТС | ru_RU |
| dc.subject | задержка на маршрутизаторе | ru_RU |
| dc.subject | нейронная сеть | ru_RU |
| dc.subject | НС | ru_RU |
| dc.subject | выборка | ru_RU |
| dc.subject | функция активации | ru_RU |
| dc.subject | алгоритм обучения | ru_RU |
| dc.subject | эпоха | ru_RU |
| dc.subject | погрешность | ru_RU |
| dc.subject | КЕОМ | uk_UA |
| dc.title | Intelligent Routing in the Network of Information and Telecommunication System of Railway Transport | en |
| dc.title.alternative | Інтелектуальний підхід до визначення маршрутів у мережі інформаційно-телекомунікаційної системи залізничного транспорту | uk_UA |
| dc.title.alternative | Интеллектуальный подход к определению маршрутов в сети информационно-телекоммуникационной системы железнодорожного транспорта | ru_RU |
| dc.type | Article | en |