intTypePromotion=1
ADSENSE

Giải bài toán phân lớp không có giám sát liên quan tới điều khiển chuyển vùng

Chia sẻ: Wang Ziyi | Ngày: | Loại File: PDF | Số trang:6

4
lượt xem
0
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài báo này đề xuất một thuật toán phân lớp không có giám sát để nhận dạng đối tượng (MT) có liên quan đến yêu cầu chuyển vùng nhằm làm cơ sở ra quyết định lựa chọn hệ thống tối ưu quản lý MT. Mời các bạn cùng tham khảo!

Chủ đề:
Lưu

Nội dung Text: Giải bài toán phân lớp không có giám sát liên quan tới điều khiển chuyển vùng

  1. Giải Bài Toán Phân Lớp Không Có Giám Sát Liên Quan Tới Điều Khiển Chuyển Vùng Nguyễn Hồng Thủy1,2, Hồ Văn Canh1, Lê Danh Cường1, Lê Nhật Thăng2 1Bộ Công an 2Học viện Công nghệ Bưu chính Viễn thông Email: thaisontsc@gmail.com, hovancanh@gmail.com, lenhatthang@gmail.com Abstract— Hiện nay thế giới đang bắt đầu cơ quan an ninh. Nhiều ứng dụng như mạng xã ứng dụng những thành quả của cuộc Cách hội, điện toán đám mây (cloud computing), IoTs mạng Công nghiệp 4.0. Đặc tính “di động” (Internet of Things) đã mở ra mô hình kiến trúc (moving) đã và đang trở thành đặc trưng cơ hạ tầng mới, các đối tượng mới bao gồm đầu bản của các mạng truyền thông hiện tại và cuối, dịch vụ, mạng, nội dung, tính toán, bảo tương lai. Đã có nhiều hình thức truyền mật... và tất cả đều di động. Các đối tượng của thông mới ra đời và phát triển mạnh mẽ, như an ninh Quốc gia đã ứng dụng tính di động này mạng xã hội, điện toán đám mây di động trong trao đổi thông tin nhằm tránh khả năng (moving cloud computing); hay là IoTs “định vị” của các cơ quan an ninh Quốc gia. (Internet of Things) đã làm đa dạng hóa các Trong nhiều năm qua, các kỹ thuật xử lý loại hình dịch vụ và do đó làm tăng độ phức chuyển vùng liên mạng (ISHO) phức tạp đã tạp và phạm vi hoạt động của mạng truyền được nghiên cứu và triển khai để quản lý việc thống. Vì vậy khi định vị một đối tượng, ví đăng ký, xác thực, di chuyển .v.v. của mỗi thiết dụ như một thiết bị đầu cuối di động - MT bị đầu cuối di động - MT (Mobile Terminal). (Mobile Terminal) nào đó, chúng ta cần tính Tuy nhiên, các kỹ thuật này mới chỉ được áp đến tính chất “di động” của đối tượng đó. dụng trong các mạng có công nghệ tương tự. Do Vấn đề đặt ra là cần xây dựng một phương đó, việc đáp ứng được các viễn cảnh nêu trên là án lựa chọn hệ thống chuyển vùng tối ưu một vấn đề còn cần được nghiên cứu và giải nhằm đạt yêu cầu đặt ra. Bài báo này đề xuất quyết [10] với các lý do dưới đây: một thuật toán phân lớp không có giám sát - Hiện nay còn nhiều ứng dụng và các mô để nhận dạng đối tượng (MT) có liên quan hình truyền tin đã được ứng dụng làm cho hạ đến yêu cầu chuyển vùng nhằm làm cơ sở ra tầng mạng thêm đa dạng và phức tạp. Nhiều giải quyết định lựa chọn hệ thống tối ưu quản lý pháp quản lý di động hiện có đều ứng dụng cho MT. các mạng cụ thể mà chưa đáp ứng được các yêu cầu dự phòng và khả năng xử lý các mạng hỗn Keywords- Phân lớp, Nhận dạng, Không có giám sát. hợp, phức tạp. - Đang tồn tại nhiều mạng truy cập vô tuyến I. GIỚI THIỆU CHUNG có công nghệ khác nhau. - Nhiều kỹ thuật xử lý chuyển vùng liên Ngày nay các thiết bị ứng dụng di động phát mạng (ISHO) đã và đang được triển khai... triển nhanh chóng, theo đó nhu cầu sử dụng dịch Bài báo đề xuất một giải pháp phân lớp vụ di động tăng lên không ngừng. Các đối tượng không có giám sát (un-supervision) liên quan đã tận dụng vào mục đích thông tin liên lạc di đến điều khiển chuyển vùng và để ứng dụng vào động nhằm tránh sự phát hiện và định vị của các 1 67
  2. việc nhận biết các đối tượng tương ứng với mỗi MT (i ) . MT (i ) được quyết định bởi trạm phát thứ thiết bị đầu cuối di động - MT . j (j = 1, 2, …, n) nếu: Ví dụ: Giả sử có một đối tượng MT. Mỗi V j(i ) = max { Vl(i ) } (1) vùng có một số Cell. Khi đó quá trình phân lớp 1l  n tương đương với việc lựa chọn Cell nào đó có 2.2. Đề xuất giải pháp giải bài toán phân lớp khả năng cung cấp dịch vụ tốt nhất cho MT đó. dựa trên học không có giám sát Có một số thuật toán phân lớp quy định các vùng trong không gian đặc trưng không chồng Thuật toán phân lớp mờ (Fuzzy), thuật toán lấn lên nhau [2]. phân lớp trên khoảng cách, phân lớp theo véc tơ Theo đó, mỗi một MT chỉ thuộc một lớp đồng dạng đã được trình bày trong [14]. Các (Cell). Việc phân lớp này không phù hợp với hệ thuật toán đó đã cho kết quả thực nghiệm khá thống thông tin di động, bởi vì việc chồng lấn tốt. Song các thuật toán đó không tính đến sai số làm tăng vùng phủ sóng và do đó làm cho quá trong quá trình phân lớp. Mục tiêu của bài báo trình chuyển vùng phức tạp hơn. Mặt khác, này là nghiên cứu và đề xuất giải pháp giải bài trong thực tế chúng ta phải giải quyết bài toán toán phân lớp không có giám sát dựa trên phân lớp không có giám sát (un-supervision) tức khoảng cách Hamming. là không cho trước các thông tin về đối tượng 2.2.1. Đặt bài toán phân lớp. Bài toán tổng quát đặt ra như sau: Bài toán này phức tạp hơn so với bài toán Cho một tập hợp hữu hạn các đối tượng tùy phân lớp có giám sát (supervision) đã được trình ý được gọi là tập tổng quát (Universe) và đươc bày trong bài báo [12]. ký hiệu là  , mỗi phần tử của  được gọi là một đối tượng (object). Mỗi một phần tử thuộc  đều tương ứng 1-1 với một phần tử x  G  II. MÔ HÌNH HỆ THỐNG R n (không gian thực n chiều). Như vậy việc 2.1. Khái quát phân lớp trên không gian  tương đương với Thực tế cho thấy trong nhiều trường hợp, việc việc phân lớp trên tập hữu hạn G. Mỗi x  G xác định chính xác vị trí của thuê bao là rất khó. được coi như một véc tơ n chiều. Để đơn giản Vì vậy, thông qua kỹ thuật nhận biết, phân tích nhưng không mất tính tổng quát, chúng ta giả giá trị của cường độ tín hiệu thu được, góp phần thiết rằng G = {0,1} n . Như vậy mỗi x  G là làm giảm thiểu những quyết định chuyển vùng một véc tơ nhị phân n thành phần và được ký không chính xác. hiệu là: Mỗi một MT (i ) (thuê bao thứ i) được đặc x = (x 1 , x 2 , …, x n ) với x i  {0, 1}, i = 1, 2, 3, trưng bởi véc tơ (gọi là véc tơ đặc trưng – …, n. characteristic vector) V (i ) = [ V1(i ) , V2(i ) ,…, Vn(i ) ] Từ đó bài toán phân lớp được đặt ra như sau: trong không gian véc tơ n chiều. Trong đó V j(i ) Hãy phân hoạch (partition) tập G thành k tập biểu diễn cường độ tín hiệu thu được từ trạm con khác rỗng G 1 ,G 2 ,…, G k (k  2) sao cho phát BTS thứ j của thuê bao thứ i, n biểu diễn số thỏa mãn các yêu cầu sau đây: trạm phát BTS có thể cung cấp dịch vụ cho MT (i ) i/ G i  G j =  , với mọi cặp (i, j), i  j, i, j = . Quá trình chuyển vùng tương đương với việc xác định vị trí của véc tơ đặc trưng trong 1, 2,…, k. k miền (vùng) định trước. Điều này được thực ii/  G i = G i1 hiện thông qua véc tơ thành phần V j(i ) gán cho iii/ Sai số trung bình trong quá trình phân hoạch là bé nhất có thể. 2 68
  3. 2.2.2. Một số khái niệm cơ bản 1 n =  ( xi  zi )  ( zi  yi ) (vì a  a nếu Việc xây dựng thuật toán phân lớp thỏa mãn n i 1 2 yêu cầu (i) và (ii) là rất dễ dàng. Tuy nhiên a không âm). Từ đó ta có: việc phân lớp thỏa mãn yêu cầu (iii) là một khó 1 n 1 n 1 n d(x,y)   xi  zi +  zi  yi =  ( xi  zi ) khăn. Hơn nữa đây lại là bài toán phân lớp n i 1 n i 1 n i 1 không có giám sát, tức là chưa cho trước các 1 n +  ( zi  yi ) =d(x,z) + d(z,y). thông tin tiên nghiệm (prior information) mà G n i 1 chỉ là tập hữu hạn các dữ liệu (dạng véc tơ). Do Định nghĩa 2: Cho trước k tập hợp con hữu đó, để giải bài toán này, ta cần đưa ra các khái hạn, khác rỗng G 1 , G 2 ,…, G k (k  2). Ta định niệm: thế nào là khoảng cách giữa 2 véc tơ (nhị nghĩa khoảng cách giữa 2 tập hợp G i , G j là: phân), thế nào là sự gần gũi giữa 2 tập hợp (tức độ đo sự khác nhau (giống nhau) giữa 2 tập 1  (G i ,G j )=   d ( x, y ) (3), được gọi là hợp? Ta có các định nghĩa sau: ni n j xGi yG j Định nghĩa 1: Cho X là một tập hợp khác khoảng cách trung bình giữa 2 tập khác nhau. rỗng tùy ý, khi đó khoảng cách giữa hai phần tử Trong đó ni  Gi là số phần tử trong tập x, y  X là một ánh xạ: hợp G i , với i = 1, 2,…, k. Nếu i  j thì  (G i ,G d: X  X  R=(  ,  ) thỏa mãn 3 tiên đề sau đây: j ) được gọi là giá trị ngoài của 2 tập hợp G i , G Tiên đề 1: d(x,y)  0, đối với mọi x, y  X j . Trường hợp i = j, thì ta định nghĩa:  (G i ,G i Tiên đề 2: d(x,y) = d(y,x) 2 Tiên đề 3: d(x,y)  d(x,z) + d(z,y), đối với )=   d ( x, y ) (4) và được gọi là giá ni ( ni  1) xGi yGi mọi x, y, z  X. Có một số độ đo khoảng cách đã được định trị trong của tập hợp G i (tức là  (G i , G i ) là nghĩa [4]. Trong báo cáo này, tác giả đưa ra một khoảng cách trung bình giữa các điểm của tập độ đo khoảng cách được gọi là khoảng cách hợp G i , với i = 1, 2,…, k. Hamming [5] như sau: Ví dụ: Lấy X = G và xác định: d(x,y)= Cho trước 2 tập hợp con hữu hạn, khác rỗng 1 n G 1 , G 2 gồm các véc tơ nhị phân như sau:  ( x  yi ) (2), trong đó x = (x 1 , x 2 , …, x n ), n i 1 i G 1 ={x (1) , x (2) }, x (i ) {0,1} n , i = 1, 2. y = (y 1 , y 2 , …, y n ), với x i , y i  {0, 1}, i = 1, G 2 ={y (1) , y (2) , y (3) }, y (i ) {0,1} n , i = 1, 2,3. 2, 3, …, n. Định nghĩa khoảng cách như vậy rõ ràng Trong đó, giả sử khoảng cách Hamming thỏa mãn 2 tiên đề 1 và 2. Ta chỉ cần chứng giữa các véc tơ là: minh nó cũng thỏa mãn với cả tiên đề 3. d(x (1) ,x (2) ) = 1, d(x (1) ,y (1) ) = 1, d(x (1) ,y (2) ) = 3, Thật vậy, giả sử cho x, y, z  G, ta có theo d(x (1) ,y (3) ) = 2; d(x (2) ,y (1) ) = 2, d(x (2) ,y (2) ) = 4, định nghĩa: d(x (2) ,y (3) ) = 2; d(y (1) ,y (2) ) = 2, d(y (1) ,y (3) ) = 1, 1 n d(y (2) , y (3) ) = 2. d(x,y)=  ( xi  yi ) Ta sẽ tính toán giá trị ngoài của 2 tập hợp G n i 1 1 n 1 và G 2 (tức là  (G 1 ,G 2 )) và giá trị trong của =  [( xi  yi )  ( zi  zi )] n i 1 tập hợp đó (  (G 1 ,G 1 )) và  (G 2 ,G 2 )). 1 n =  [( xi  zi )  ( zi  yi )] n i 1 3 69
  4. Bước 6: Đi đến bước 4. 1 Như vậy từ tập G, ta đã tách ra làm k tập con x (1) y (1) 2 rời nhau, mà ta ký hiệu là G 1 , G 2 ,…,G k . 3 Thuật toán này thỏa mãn bổ đề sau đây. 2 1 y (2) Bổ đề: Điều kiện đủ để thuật toán trên phân 1 2 4 lớp tối ưu là: max  (G i ,G i )  min  (G i ,G j ) (5) x (2) y (3) 2 1i  k 1i  j  k 2 Điều này có nghĩa là: 2 max   d ( x, y ) 1i  k n ( n  1) xG yG i i i i 1 Hình 1: Khoảng cách Hamming giữa các véc tơ  min   d ( x, y ) . (6) 1i  j  k n n xG yG nhị phân x (1) , x (2) , y (1) , y (2) , y (3) i j i j Ta có Chứng minh 1 Thật vậy, giả sử ta có một tập hợp G hữu  (G 1 ,G 2 )=   d ( x, y ) = hạn khác rỗng bất kỳ gồm m phần tử đã được 2.3 xG1 yG2 1 14 phân hoạch thành k lớp G 1 , G 2 ,…,G k bởi (1  2  2  2  3  4) =  2,333. thuật toán đã được đề xuất. Ở đây, k là một số 6 6 2 cố định cho trước (1 < k < m). Ta sẽ chứng  (G 1 ,G 1 )= .1  1 . minh rằng: 2.(2  1) 2 10 max  (G i ,G i )  min  (G i ,G j ). 1i  k 1i  j  k  (G 2 ,G 2 )= .(1  2  2)   1, 666 . 3.(3  1) 6 với mọi cặp (i, j), i  j, i, j = 1, 2,…, k. Trong đó,  (G i ,G i ) và  (G i ,G j ) được cho trong (3) III. THUẬT TOÁN ĐƯỢC ĐỀ XUẤT và (4). Giả sử bất đẳng thức (5) không đúng, tức Chúng tôi đề xuất thuật toán giải bài toán là: phân lớp không có giám sát như sau: max  (G i ,G i ) > min  (G i ,G j ) (7). Cho trước G = {x (1) , x (2) , …, x ( m) }  {0,1} 1i  k 1i  j  k n . Hãy phân hoạch (partition) tập G thành k tập Điều đó có nghĩa là có tồn tại một cặp ( i0 , j0 con sao cho sai số về trung bình là nhỏ nhất. ), với i0 ≠ j0 sao cho Thuật toán  (G i , G j ) = min  (G i ,G j ) và một i1 Bước 1. Đặt G 1 ={x (1) }, G 2 ={x (2) }, …, G 0 0 1i  j  k m ={x ( m) } sao cho  (G i ,G i ) = max  (G i ,G i ) (8). 1 1 1i  k Bước 2. Tính min  (G i ,G j ) =  (G i ,G Để đơn giản mà vẫn không mất tính tổng 1i  j  m 0 ) quát, ta giả sử rằng i0 = 1, j0 = 2 và i1 = 3. Từ j 0 (7) và (8), ta suy ra rằng: Bước 3. Cho i = 1, 2,…, k. Đặt G i = {G i ,G ρ(G 1 , G 2 ) ≤  (G i ,G j ) và ρ(G 1 , G 2 ) < ρ(G 0 j } 3, G 3 ) (9) đối với mọi i, j. Từ (9), theo thuật 0 Bước 4. i:= i+1 và tính min  (G l ,G m ) toán phân lớp đã được đề xuất, ta lại ghép hai l ,m  (i , j ) 0 0 tập con G1 và G2 thành một lớp và như vậy bây =  (G l ,G m ) = G i . giờ chỉ còn k -1 tập con. Cứ tiếp tục quá trình 0 0 đó cho đến khi k = 1 và do đó k tập con G i , i = Bước 5: Nếu i  k thì thuật toán dừng. 1, 2,…, k lại được gộp lại thành tập hợp G ban 4 70
  5. đầu. Điều này vô lý vì trái với thuật toán phân Với G 1 , G 2 ,…, G 6 ta tiếp tục thực hiện như lớp như đã được đề xuất. Bổ đề được chứng ở mục 1/. Ta nhận được: G 1 ={x (2) , x (4) }, G 2 minh. ={x (6) , x (7) }, G 3 ={x (1) }, G 4 ={x (3) }, G 5 ={x (5) IV. PHÂN TÍCH KẾT QUẢ }. 4.1. Kết quả thực nghiệm Ta có , min  (G i ,G j ) =  (G 4 ,G 5 ) = {x 1i  j 5 Cho số liệu: (3) (5) x (1) = 01000 00110 00001 11100 00011 , x }. Từ đó ta có: 01001 10100 00110 00011 11111 3/ G 1 ={x (2) , x (4) }, G 2 ={x (6) , x (7) }, G 3 ={x (3) , x (2) = 10100 01011 10100 00110 00001 x (5) } và G 4 ={x (1) }. 10000 01011 10100 00001 10100 Tính toán tương tự, ta nhận được: x (3) = 01100 01011 11010 01111 10100 G 1 ={x (2) , x (3) , x (4) , x (5) }; G 2 ={x (6) , x (7) }, G 3 00100 10101 11011 01000 10101 ={x (1) }. x (4) = 11100 01011 11100 01110 00011 Đây là kết quả cuối cùng của phân lớp. 10101 10001 01110 00011 11110 Vậy tập hợp G ={x (1) , x (2) , x (3) , …, x (7) } đã x (5) = 00110 11000 00000 11111 10001 được phân hoạch thành 3 lớp: 01110 10101 11000 10001 01110 G 1 ={x (2) , x (3) , x (4) , x (5) }; G 2 ={x (6) , x (7) }, G 3 x (6) =10000 01110 10001 01110 00011 11000 01010 00001 10101 01010 ={x (1) }. x (7) =10111 01010 00001 01011 10000 4.2. Đánh giá kết quả 01111 01010 00001 10100 01010 Việc đánh giá kết quả của phân lớp được thực 1/ Đặt G 1 ={x (1) }, G 2 ={x (2) }, G 3 ={x (3) }, …, hiện thông qua kiểm tra điều kiện đủ của Bổ đề. max  (G i ,G i )  min  (G i ,G j ) G 7 ={x (7) } 1i 3 1i  j 3 Ta có: Áp dụng các định nghĩa ở 2.2.2, ta có:  (G 1 ,G 2 ) = 0,54;  (G 1 ,G 3 ) = 0,58;  (G 1 ,G 2 2  (G 1 , G 1 )=   d ( x, y ) = (0,46 n1 ( n  1) xG1 yG1 4.3 4 ) = 0,4;  (G 1 ,G 5 ) = 0,48;  (G 1 ,G 6 ) = 0,4; 1 + 0,3 + 0,5 + 0,4 + 0,4 + 0,48) = 0,42.  (G 1 ,G 7 ) = 0,6. Tương tự ta có:  (G 2 ,G 2 ) = 0,32;  (G 3 ,G (G 2 ,G 3 ) = 0,46;  (G 2 ,G 4 ) = 0,3;  (G 2 ,G 5 ) 3 ) = 0. = 0,5;  (G 2 ,G 6 ) = 0,36;  (G 2 ,G 7 ) = 0,54. Vậy, max  (G i , G i ) = 0,42 (10). (G 3 ,G 4 ) = 0,4;  (G 3 ,G 5 ) = 0,4;  (G 3 ,G 6 ) = 1i 3 1 0,66;  (G 3 ,G 7 ) = 0,6. Trong lúc đó:  (G 1 ,G 2 )=   d ( x, y ) n1.n2 xG1 yG2 (G 4 ,G 5 ) = 0,48;  (G 4 ,G 6 ) = 0,46;  (G 4 ,G 7 1 ) = 0,6. = .(0,36 + 0,54 + 0,66 + 0,6 + 0,46 + 0,6 8  (G 5 ,G 6 ) = 0,48;  (G 5 ,G 7 ) = 0,4. +0,48 + 0,4) = 0,572.  (G 6 ,G 7 ) = 0,32. Tương tự:  (G 1 ,G 3 ) = 0,5;  (G 2 ,G 3 ) = 0,5. Từ đó, min  (G i ,G j ) =  (G 2 ,G 4 ) = 0,3. Vậy min  (G i , G j ) = 0,5. (11) 1i  j 7 1i  j 3 Do đó: So sánh (10) và (11) ta suy ra: 2/ Đặt G 1 ={x (2) , x (4) }, G 2 ={x (1) }, G 3 ={x (3) }, max  (G i , G i )  min  (G i , G j ) 1i 3 1i  j 3 G 4 ={x (5) }, G 5 ={x (6) }, G 6 ={x (7) } Từ đó ta có thể khẳng định rằng: sự phân lớp trên là tối ưu. 5 71
  6. V. KẾT LUẬN [10] Shanzhichen, Yanshi, Bohee Ming Ai, “Mobility – Driven Networks: From Evolution to Vision Kết quả chính của bài báo là đưa ra một thuật of Mobility Management”, IEEE, 8/2014. toán phân lớp không có giám sát sao cho sai số [11] Stephan B. Wicken, “Error control systems for của phân lớp là nhỏ nhất mà không phụ thuộc digital communication and storage”, Prentice Hall – New Jersey, 1999. vào việc điều khiển chuyển vùng. Đồng thời [12] Nguyễn Hồng Thủy, Hồ Văn Canh, Lê Nhật đưa ra một ví dụ bằng số nhằm làm sáng tỏ Thăng, “Một phương pháp định vị đối tượng dựa trên thêm thuật toán. Trên cơ sở dữ liệu đã được phân lớp có giám sát”, Tạp chí nghiên cứu Khoa học và phân lớp, một thuật toán định vị đối tượng liên Công nghệ Quân sự, 8/2018. [13] Z. Sanaci et.al, “Heterogengeneity in Mobile quan đến việc điều khiển chuyển vùng sẽ được Cloud Computing: Taxonomy and Open Challenges”, đề xuất ở nghiên cứu tiếp theo. IEEE Commun. Survey & Tutorial, Vol. 16, No.1, 2014. [14] S. K. Pal, D. K. Dutta, “Fuzzy Mathematic approach to pattern recognition”, New York, Willey TÀI LIỆU THAM KHẢO 1986. [1] D. Raychaudhuri, K. Nagaraja and A. [15] Z. Sanaci et.al, “Heterogengeneity in Mobile Venkataramani, “Mobility first: A Robust and Cloud Computing: Taxonomy and Open Challenges”, Trustworthy Mobility-centic Architecture for future IEEE Commun. Survey & Tutorial, vol. 16, no.1, 2014. Internet”, ACM SIGMOBILE Mobile computing and communications Reviews, Vol.16, No 3, July, 2012. ABSTRACT [2] G. L. Stuber, “Propagation modelling”, SOLVING PROBLEM OF UN-SUPERVISED Principles of Mobile Communication, 2012. CLASSIFICATION RELATING TO HAND- [3] H. Li, B. Ma, C. H. Lee, “Avector space modelling approach to spoken Language Identification”, OVER MANAGEMENT IEEE. Trans. Audio Speech Lang. Process.15 (1), Nowadays, The Industrial Revolution 4.0 is pp.271-284, 2007. applied over the world: “Mobility” has been [4] Hồ Văn Canh, Nguyễn Viết Thế, “Phần 1 Nhập becoming a key feature of current and future môn: Phân tích thông tin có bảo mật’’, Nhà xuất bản Hà Telecommunication Networks. Novel forms of Nội T&T, 2010. media and fast development such as social [5] J. Madaan, I. Kashyap, “Vertical Hoandoff with Predictive Received Signal Strength in next Generation network, mobile cloud computing, IoTs and so Wireless Network”, Computer Network and Information on: are becoming more and more available, Security, 2016. diversifying the types of service and then [6] K. J. Bye, “Handover criteria and control in increasing the complexity and active sphere of cellular and microcellular systems”, In Proc. 15th Int. Telecommunication Network. To monitor an Conf. Mobile, Radio and Personal communications, U.K. Dec., 1998. object (MT), we have to pay attention to [7] Phạm Anh Phương, Quách Hải Thọ, "Một “mobility feature” of this object. So, the phương pháp quản lý dữ liệu tham gia phân lớp trong mô problem is to propose a solution for optimal hình học bán giám sát", Kỷ yếu Hội nghị FAIR tại Đà system selection according to some constraints. Nẵng, 8/2017, DOI: 10. 15625/vap, 2017, 00059. [8] S. M. Sinisealchi, J. Reed, T. Svendsen, and C.H. This paper proposes an algorithm of un- lee, “Universal attribute characterization of Spoken, supervised classification interested in hand- Languages for automatic Spoken Language over management, marking basic to optimal Recognition”, Comput Speech Lang. ,27(1), 2013. decision. [9] S. Banks, “Signal Processing, Image Processing Keywords: Classification, pattern of recognition, un- and pattern Recognition”, Englewood Cliffs, Nj: supervision. Prentice Hall, 1990. 6 72
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2