Бидний тухай
Багш ажилтан
Spiking Neural Networks are a type of artificial neural network that mimics the way biological neural networks in the brain process information. Spiking neural networks form the foundation of the brain’s efficient information processing. While we don’t fully understand how these networks calculate, recent optimization techniques allow us to create increasingly complex functional spiking neural networks in a simulated environment. These methods promise to develop more efficient computing hardware and explore new possibilities in understanding brain circuit function. It is essential to have objective methods to compare their performance to speed up the development of such techniques. However, there are currently no widely accepted means of comparing the computational performance of spiking neural networks. We have introduced a new spike-based classification dataset that can be widely used to evaluate software performance and neuromorphic hardware implementations of spiking neural networks to address this issue. To achieve this, we have created a general procedure for converting audio signals into spiking neural network activity, drawing inspiration from neurophysiology. We created the Monnum digit dataset specifically for this study. Within the range of this research, We implemented a digit recognition system from 1 to 10 spoken in the Mongolian language for the Spike neural network. The last is data for training and testing, which was prepared in HDF5 format extension and then trained in the SNN network.
Нөхцөлт хэндовр нь 5G сүлжээнд зориулан хөгжүүлсэн хэндовр механизм юм. Энэхүү механизм нь уламж- лалт хэндоврийн бэлтгэх болон гүйцэтгэх үе шатуудыг салгах, бай үүрийн жагсаалт бий болгох замаар хэрэглэгчийн шилжин орох боломжтой үүрүүдийн тоог олон байлгаж RLF, HPP болон бэлтгэх шатанд гарах алдааг багасгах давуу талтай юм. Харин хяналтын мессежний тоо ихсэх, олон бай үүрээс сонголт хийх асуудал зэрэг сул талуудтай. Энэхүү судалгааны ажлаараа бид HPI-д суурилсан нөхцөлт хэндов- рийн механизм танилцуулна. Энэхүү механизм нь гүйцэтгэлийг сайжруулах, алдааг бууруулах зорилгоор хэндоврийн гүйцэтгэх шатыг эхлүүлэхэд хэрэглэдэг параметрүүдийн утгыг автоматаар тохируулах юм. Өгүүллийнхээ төгсгөлд бид туршилтын үр дүнг танилцуулж дүгнэлт хийнэ. Бид санал болгосон механиз- маа 3GPP-ийн стандарт хувилбартай харьцуулахад алдаа багассан, гүйцэтгэл тогтворжсон сайн талтай байсан.
Хураангуй— Нөхцөлт хэндовр нь 5G сүлжээнд зориулан хөгжүүлсэн хэндовр механизм юм. Энэхүү механизм нь уламжлалт хэндоврийн бэлтгэх болон гүйцэтгэх үе шатуудыг салгах, бай үүрийн жагсаалт бий болгох замаар хэрэглэгчийн шилжин орох боломжтой үүрүүдийн тоог олон байлгаж RLF, HPP болон бэлтгэх шатанд гарах алдааг багасгах давуу талтай юм. Харин хяналтын мессежний тоо ихсэх, олон бай үүрээс сонголт хийх асуудал зэрэг сул талуудтай. Энэхүү судалгааны ажлаараа бид HPI-д суурилсан нөхцөлт хэндоврийн механизм танилцуулна. Энэхүү механизм нь гүйцэтгэлийг сайжруулах, алдааг бууруулах зорилгоор хэндоврийн гүйцэтгэх шатыг эхлүүлэхэд хэрэглэдэг параметрүүдийн утгыг автоматаар тохируулах юм. Өгүүллийнхээ төгсгөлд бид туршилтын үр дүнг танилцуулж дүгнэлт хийнэ. Бид санал болгосон механизмаа 3GPP-ийн стандарт хувилбартай харьцуулахад алдаа багассан, гүйцэтгэл тогтворжсон сайн талтай байсан.
5G сүлжээ дэлхий даяар нэвтэрч буй эхний давалгаа бидний амьдралд аль хэдийнээ нөлөөлж эхэлсэн.Мобайл сүлжээний үндсэн хэсгүүдийн нэг бол Хөдөлгөөний Удирдлага бөгөөд хэрэглэгчийг бааз станцуудхооронд чөлөөтэй шилжих боломжийг олгож үйлчилгээг тасалдалтгүй дамжуулжуулах давуу тал олгоно.Мобайл сүлжээний стандартын байгууллага 3GPP-ээс Release 15-ийг 5G-ийн шаардлагыг хангаж батал-сан бөгөөд хөдөлгөөний удирдлагатай холбоотой өөрчлөлтүүдийн нэг нь дан холболттой үед хэрэглэгчийгилүү найдвартай сүлжээгээр хангах зорилготой нөхцөлт хэндовр юм. Нөхцөлт хэндоврын гол онцлог ньтусгай нөхцөл хангах хүртэл боломжит бааз станцуудыг нэр дэвшигчээр хадгалж хэрэглэгчдийг олон баазстанцаас сонголт хийлгэх юм. Харин энэхүү хэндоврын асуудал нь боломжит бааз станцуудын тооноосхамаарч дохиоллын мессежийн тоо ихсэх юм. Мөн хэрэглэгч бай бааз станцаа сонгох үедээ зөв сонгоо-гүйгээс үүдэж хэндоврын алдаа ихэснэ. Энэ нь сүлжээний гүйцэтгэлд шууд муугаар нөлөөлнө. Энэхүүсудалгааны ажлаар бид нөхцөлт хэндоврийн процедурт босго оноо болон тригерыг өөрчилсөн механизмнэмж сайжруулалт хийнэ. Өөрөөр хэлбэл бидний сайжруулалт нь нэр дэвшигч бааз станцуудаас сонгохдоошалгах нөхцөлийн параметрүүдийг динамик болгох юм. Бид туршилтын орчинд өөрсдийн сайжруулалтаашалгахад хэндоврын гүйцэтгэлийн утгуудыг сайжруулсан үр дүн үзүүлсэн болно.
The number of subscribers in mobile networks is growing rapidly, which challenges the network management and data delivery. The efficient management and routing are key solutions. An important one of the solutions is the Distributed Mobility Management (DMM) that to handles the mobility of subscribers at the edge of mobile networks and load balancing. Otherwise, mobility anchors are distributed across the network, which can manage the handover procedures. In this paper, we propose a novel mobility anchor selection scheme based on the results of a cost function with three factors, to select a suitable cell and anchor for moving subscribers and improve the handover performances of the network. Our results illustrate that the proposed scheme provides significantly enhanced handover performance.
The first wave of 5G networks is already coming and ready to affect our life. One of the main parts of mobile networks is mobility management that provides seamless mobility from the current cell to the neighbor. 3GPP Rel.15 teams developed the conditional handover for a single connection to improve mobility robustness. The prepared multiple target cells in a preparation step are an enhancement of the conditional handover scheme. Also, this enhancement improves performance related to the user’s mobility in the mobile network. In this paper, we present the enhanced conditional handover that can provide a reduction of handover failures. But, the increased signaling overhead and ping-pong handovers are the main problems. From simulation results, our proposal provides the reduced measurement reports and improved handover performance compared with the baseline handovers in the heterogeneous networks.
Мобайл сүлжээний хэрэглэгчийн тоо хурдацтай өсөж байгаа нь хөдөлгөөнт байдлыг үр бүтээмжтэйгээр удирдах болон хэт их өгөгдлийн урсгалыг дамжуулахад хүндрэлтэй болгож байна. Энэхүү асуудлыг шийдэх зорилготой тархсан хөдөлгөөний удирдлага нь төвлөрсөн серверийн оронд сүлжээний захад ойр байрлах зангуугаар хэрэглэгчийн хөдөлгөөнийг удирдана. Энэ судалгааны ажлаараа бид дараагийн үеийн мобайл сүлжээний тархсан хөдөлгөөний удирдлагад зориулсан оновчтой зангуу сонгох схемийг санал болгож байна. Бидний санал болгосон схем нь хэндовр хийгдэх үед үнэлгээний функц ашиглан боломжт зангуунуудыг эрэмблэх замаар алдааг бууруулж сүлжээний гүйцэтгэлийг сайжруулах зорилготой. Симуляцийн үр дүнд бидний санал болгосон схем нь хамгийн ойр, ачаалал харгалзсан, гүйцэтгэлд суурилсан зэрэг аргуудаас хяналтын мессеж дамжуулах тоо болон хэндоврын алдааг бууруулсан үр дүн үзүүлсэн.
Мобайл сүлжээний хэрэглэгчийн тоо хурдацтай өсөж байгаа нь хөдөлгөөнт байдлыг үр бүтээмжтэйгээр удирдах болон хэт их өгөгдлийн урсгалыг дамжуулахад хүндрэлтэй болгож байна. Энэхүү асуудлыг шийдэх зорилготой тархсан хөдөлгөөний удирдлага нь төвлөрсөн серверийн оронд сүлжээний захад ойр байрлах зангуугаар хэрэглэгчийн хөдөлгөөнийг удирдана. Энэ судалгааны ажлаараа бид дараагийн үеийн мобайл сүлжээний тархсан хөдөлгөөний удирдлагад зориулсан оновчтой зангуу сонгох схемийг санал болгож байна. Бидний санал болгосон схем нь хэндовр хийгдэх үед үнэлгээний функц ашиглан боломжт зангуунуудыг эрэмблэх замаар алдааг бууруулж сүлжээний гүйцэтгэлийг сайжруулах зорилготой. Симуляцийн үр дүнд бидний санал болгосон схем нь хамгийн ойр, ачаалал харгалзсан, гүйцэтгэлд суурилсан зэрэг аргуудаас хяналтын мессеж дамжуулах тоо болон хэндоврын алдааг бууруулсан үр дүн үзүүлсэн.
