Approximation of self-similar traffic by spline-functions

Сплайн-Апроксимація В 3d-Моделюванні

“…Використаємо для апроксимації 3D-поверхні інтерполяційний кубічний сплайн S3(x), який визначається як [1][2][3][4][5]:…”

“…Істотним є також той факт, що при комутації сигналу ми не «вторгаємося в його внутрішню структуру» і таким чином, не вносимо жодних спотворень, які є неминучими при перетвореннях оптичного сигналу на електричний і навпаки. Проведені авторами дослідження в роботах [1][2][3][4][5] дозволяють стверджувати про перевагу використання сплайнів, адже сплайни просто обчислюються, мають добру збіжність, володіють локальними властивостями, мають властивості масштабованості та просто змінюються на окремих ділянках, надають можливості наближати поверхню об'єктів з необхідною точністю.…”

Spline-approximation-based restoration for self-similar traffic

“…To restore self-similar traffic, we will use spline approximations (linear and cubic) [16][17][18], with the help of which it is possible to solve the problems of processing statistical data and finding experimental dependences with a rather complex structure [5,6].…”

Using spline-extrapolation in the research of self-similar traffic characteristics

“…Let us consider the Weibull distribution, given by the differential distribution function [14][15][16][17]…”

“…where α is a parameter of Weibull distribution curve form, 0 < α < 1 , which is determined according to [14][15][16] by expression α = 2 − 2H , with H being the Hurst parameter, 0.5 ≤ H ≤ 1 , and β = [λΓ(1 + 1/α)] α the Weibull distribution parameter with β > 0 , λ is the intensity of requests arrivals for QS servicing, Γ(k) is the Euler gamma function…”