Você está na página 1de 8

DE REDES 4G: UMA ABORDAGEM SELEC AO LINEAR SIMB UTILIZANDO REGRESSAO oLICA

(2) , Marco ANTONIO DE OLIVEIRA DOMINGUES(1) , Obionor DE OLIVEIRA NOBREGA (3) (4) Mac ario GRANJA GONC ALVES , Arthur FELIPE MELO ALVIM

o, Ci (1) Instituto Federal de Educac a encia e Tecnologia de Pernambuco, e-mail: maod@cin.ufpe.br (2) Universidade Federal de Pernambuco, e-mail: oon@cin.ufpe.br o, Ci (3) Instituto Federal de Educac a encia e Tecnologia de Pernambuco, e-mail: mgranja9@gmail.com o, Ci (4) Instituto Federal de Educac a encia e Tecnologia de Pernambuco, e-mail: arth.alvim@gmail.com
o (4G) tem sido objeto de estudo recorrente RESUMO. O modelo de mobilidade na rede sem o da pr oxima gerac a em redes de computadores. V arios problemas emergem a partir das demandas de qualidade de servic o, mobilidade e ainda mais desaador. Surge a necessidade de pervasividade. Em ambientes com redes heterog eneas, o problema e o para usu es de tempo real e adaptac a arios que exigem qualidade espec ca de servic o, especialmente para aplicac o o de rede em ambientes com redes heterog descrito, o qual multim dia. Neste artigo, um novo modelo de selec a eneas e considera par ametros de qualidade de servic o, utilizando regress ao linear simb olica.

o de rede, regress Palavras-chaves: redes 4G, selec a ao linear, an alise de dados simb olicos.

o da Rede Norte e Nordeste de Educac o Tecnol IV Congresso de Pesquisa e Inovac a a ogica. Bel em - PA - 2009

o 1. Introduc a

ltimos anos, as abordagens sobre a quarta gerac o de sistemas de comunicac o m Nos u a a ovel ` s novas demandas da Internet e servic (4G) t em acrescentado novos conceitos relacionados a os [Yiping and Yuhang (2007)]. Essa arquitetura de rede 4G est a sendo desenvolvida para resolver problemas relativos a uma grande variedade de novos servic os, como voz, v deo e dados com conex oes de alta qualidade, o centrada na interoperabilidade entre redes heterog eneas sem os. Uma das principais quest oes na concepc a o e alcanc desta nova gerac a ado permitindo que os terminais m oveis em deslocamento sejam capazes de o base para outra, efetuar transfer encias inter-redes sem descontinuidades, ou seja, transfer encia de uma estac a mantendo-se a sua sess ao em curso. Se isso acontece em diferentes operadoras de rede ou tecnologias e chamado de handover vertical [Choi et al, (2007)]. frequentemente o dispositivo m ` rede Durante a fase de decis ao do handover vertical, e ovel de acesso a que determina a qual rede o dispositivo deve se conectar. Esta decis ao pode depender de diversos par ametros, o da largura de banda, atraso, jitter, taxas de acesso, pot o/transmiss incluindo a disposic a encia de recepc a ao do sinal (Received Signal Strength - RSS), status atual da bateria do dispositivo m ovel, prefer encias do usu ario, necess etc. Todos esses par ametros s ao importantes na an alise da rede a ser escolhida. E ario, portanto, um o de rede. m etodo para a selec a Diferentes abordagens t em sido propostas na literatura recente considerando par ametros de qualidade o da rede a ser escolhida em caso de handover de servic o e a perspectiva do usu ario para determinac a o intra-rede ou inter-rede e [Frattasi et al, (2006)]. Considerando handover transparente, onde a transic a o, [Choi et al, (2008)] prop o praticamente impercept vel para a aplicac a os um esquema baseado na predic a o utiliza m do deslocamento do dispositivo m ovel em uma rede WiMAX no qual o modelo de predic a nimos quadrados cl assicos. Esse trabalho registra os n veis de pot encia do sinal recebido (RSS) pelo dispositivo m ovel ` medida que o usu nica vari no decorrer do tempo a ario se desloca, sendo tal par ametro a u avel explicativa do inerente ao m modelo. O principal problema desse modelo e etodo dos m nimos quadrados, cujos estimadores ` presenc es at muito afetado por s ao bastante suscet veis a a de observac o picas. Uma vez que o par ametro RSS e es erradas, esse problema pode resultar em escolhas de redes diferentes tipos de interfer encias gerando medic o inapropriadas. Outra quest ao a ser considerada no handover 4G ocorre quando os usu arios selecionam a rede que es com o servidor de autenticac o causa overhead melhor satisfaz seus requisitos, em geral a troca de informac o a es s e como consequ encia a lat encia aumenta. Al em disso, algumas informac o ao sigilosas e atrav es delas podem ser deduzidas caracter sticas da rede, por isso nem todos os dados s ao divulgados ou apenas intervalos de valores s ao divulgados. Esse cen ario tem sido generalizado a partir de diferentes pontos de vista. Para o caso de vari aveis intervalares, [Billard and Diday (2006)] prop os v arias t ecnicas para an alise e infer encia teis no tratamento de experimentos aleat estat stica. Conjuntos aleat orios de valores intervalares s ao u orios em o e que o interesse est a focado na caracter stica imprecisa dos intervalos, quando o valor de uma observac a parcialmente conhecido ou ainda quando se deseja que os valores reais de uma vari avel sejam mantidos em sigilo. o de redes com par Neste trabalho, apresentamos uma nova t ecnica para selec a ametros multivariados, baseada na Regress ao Linear Sim etrica Simb olica (RLSS) considerando a perspectiva do usu ario, os requisitos o de rede e caracter da aplicac a sticas da rede. Os tr es aspectos principais e inovadores propostos neste trabalho s ao: o uso de dados simb olicos para representar os valores dos par ametros na decis ao do handover; o modelo o com o modelo proposto na literatura, de regress ao linear utiliza m ultiplas vari aveis explicativas em comparac a que utiliza apenas o par ametro RSS; e, em virtude de o modelo param etrico proposto em RLSS utilizar uma o de cauda-pesada para a distribuic o dos erros do modelo, os estimadores s ` distribuic a a ao menos sens veis a es at presenc a de observac o picas (outliers). O restante deste trabalho est a organizado do seguinte modo: a o 2 descreve a Metodologia da Regress o de redes 4G baseado Sec a ao Linear Simb olica; o mecanismo de selec a descrito na Sec o 3; e a Sec o 4 apresenta coment no modelo RLSS e a a arios e conclus oes.

o da Rede Norte e Nordeste de Educac o Tecnol IV Congresso de Pesquisa e Inovac a a ogica. Bel em - PA - 2009

2. Regress ao Linear Sim etrica


Na presenc a de outliers as estimativas do m etodo dos m nimos quadrados podem ser fortemente afetadas. A arrastada para os outliers inacionando a vari reta de regress ao que se ajusta aos dados e ancia das estimativas. aquele em que os erros do modelo seguem uma distribuic o que tem caudas mais pesadas do Um caso pr atico e a o normal que e frequentemente usada como suposic o de distribuic o para os erros do modelo. que a distribuic a a a o acomoda melhor os outliers. Al Esse tipo de distribuic a em disso, o pressuposto de que os erros t em uma o de probabilidade garante ao modelo possibilidades de aplicac o de testes de hip distribuic a a oteses estat sticos regulares e outras t ecnicas de infer encia [Domingues at al. 2008]. O modelo cl assico de regress ao linear usando m nimos quadrados, cujos estimadores tamb em podem o normal para os ser obtidos atrav es do m etodo de m aximo verossimilhanc a, considera usualmente a distribuic a erros do modelo (ver detalhes em [Montgomery at al, (2006)]). Contudo, em quaisquer cen arios de redes sem muito importante a utilizac o de o as ocorr encias at picas nos par ametros n ao s ao raras e, nesse contexto, e a es com caudas mais pesadas. distribuic o o dos modelos sim A aplicac a etricos em dados cl assicos tem sido largamente utilizada. Contudo, [Domingues at al. 2008] estendeu os conceitos dos modelos sim etricos para dados simb olicos intervalares. teis quando os par Esses tipos de dados s ao muito u ametros s ao fornecidos atrav es de intervalos, quando h a imprecis ao nas medidas, ou ainda quando se deseja manter os valores reais sob sigilo. o de densidade e dada por: Seja Y1 , . . . , Yn , n vari aveis aleat orias independentes cuja func a 1 fYi (y ) = g {(y i )2 /}, yI R, (1)

o e dispers com i I R e > 0 sendo, respectivamente, os par ametros de posic a ao. o g : I tal que 0 g (u)du < e tipicamente conhecida como gerador de A func a R [0, ) e denida por Yi S (i , , g ). O modelo de regress denido como densidade e e ao linear sim etrico (RLS) e Yi = i + i , i = 1, . . . , n, (2)

T um vetor de par ametros desconhecidos, os valores de i S (0, , g ), e onde i = xT i , = (0 , . . . , p ) e o vetor de vari uma constante xi e aveis explicativas. Quando existe, E (Yi ) = i e V ar(Yi ) = , onde > 0 e o (mais detalhes em [Fang et al, (1990)]). Essa classe de modelos pode incluir que depende da distribuic a es cont todas as distribuic o nuas sim etricas, como a normal, t-student, log stica, entre outras. Por exemplo, a o t-Student com graus de liberdade resulta em = o distribuic a com V ar(Yi ) = a 2 2 e a distribuic normal = 1 com V ar(Yi ) = .

No modelo apresentado neste trabalho, os estimadores de m axima verossimilhanc a para e n ao podem ser obtidos separadamente e n ao existe forma fechada para estes estimadores. Podem ser usados ltimo pode ser processos iterativos como Newton-Raphson, BFGS e o m etodo Escore de Fisher. Este u e , cujo processo pode ser interpretado como m facilmente aplicado para obter nimos quadrados ponderados. e assume a forma O processo iterativo para (m+1) = {XD(v(m) )X}1 XT D(v(m) )y e (m+1) = 1 {y X }T D(v){y X } n (m = 0, 1, 2, . . .) (4)
g ( u) g (u) ,

(3)

T T com D(v) = diag{v1 , . . . , vn }, y = (y1 , . . . , yn )T , X = (xT 1 , . . . , xn ) e vi = 2Wg (ui ), Wg (u) =

g (u) =

dg (u) du

e ui = (yi i )2 /.

o da Rede Norte e Nordeste de Educac o Tecnol IV Congresso de Pesquisa e Inovac a a ogica. Bel em - PA - 2009

o normal, os estimadores de m Para a distribuic a axima verossimilhanc a admitem forma fechada devido o t-Student com graus de liberdade, g (u) = c(1+ u/ )( +1)/2 , > 0 e u > 0 a vi = 1, i. Para a distribuic a (r ) o (3) tal que Wg (ui ) = ( + 1)/2( + ui ) e vi = ( + 1)/( + ui ), i. Nesse caso, o peso vi da equac a (r ) inversamente proporcional a ` dist e ancia entre os valores observados e os respectivos valores preditos xT , i es at o(detalhes em de tal forma que as observac o picas tendem a ter pesos pequenos no processo de estimac a [Cysneiros and Paula (2005)]).

o do modelo sim 2.1. Construc a etrico de regress ao linear para dados simb olicos intervalares
o introduz um m o para dados intervalares baseados em RLSS cuja grande vantagem Esta sec a etodo de predic a a toler ` presenc e ancia a a de outliers. Em An alise de Dados Simb olicos(SDA), uma vari avel do tipo intervalo representada por um par de observac es independentes (ponto m e o edio e limites do intervalo) e os intervalos considerados outliers s ao denidos como sendo os intervalos cujos pontos m edios ou limites do intervalo est ao, em m edia, a mais de 3 desvios-padr ao dos demais intervalos. Contudo, este trabalho foca apenas a an alise dos outliers relativos aos pontos m edios dos intervalos. Assim, dois modelos de regress ao linear sim etricos s ao es t-Student para os erros, e um modelo para ajustados: um modelo para os pontos m edios, adotando distribuic o o normal para os erros assumidos pelas vari os valores do intervalo, adotando distribuic a aveis. Seja = 1, . . . , n um conjunto de dados de n objetos descritos pela vari avel resposta intervalar Y = (y1 , . . . , yi , . . . , yn )T e p vari aveis intervalares explicativas X1 , . . . , Xp com Xj = (x1j , . . . , xij , . . . , xnj )T . representado como (xi , yi ), xi = (xi1 , . . . , xip )T onde xij = [xLj (i), xU j (i)] Cada objeto i de e = {[a, b] : a, b , a b} e yi = [yL (i), yU (i)] . representado por duas vari Neste m etodo, um intervalo e aveis independentes que descrevem um r r T c c T r c , . . . , yi , . . . , yn ) , , . . . , yi , . . . , yn ) e Y r = (y1 ponto m edio e o tamanho do intervalo. Sejam Y c = (y1 respectivamente, o ponto m edio e o tamanho do intervalo da vari avel resposta, essas grandezas est ao c T c ` vari e Xr = relacionadas a avel intervalar dependente Y . Seja Xc = (xc j j 1j , . . . , xij , . . . , xnj ) c c T (xc edio e o tamanho do intervalo das vari aveis explicativas, 1j , . . . , xij , . . . , xnj ) , respectivamente, o ponto m ` vari essas grandezas est ao relacionadas a avel intervalar explicativa Xj (j = 1, . . . , p). Dessa forma, cada objeto c T c c c T r r T representado por dois vetores (xc i (i = 1, . . . , n) de e i , yi ) com xi = (xi1 , . . . , xip ) e (xi , yi ) com r r r T c c r xi = (xi1 , . . . , xip ) onde yi = (yL (i) + yU (i))/2 ; xij = (xLj (i) + xU j (i))/2 ; yi = yU (i) yL (i) e xr ij = xU j (i) xLj (i). o de uma vari Denic a avel intervalar at pica (outlier) ` um objeto de , em um conjunto de dados cujo ponto m Um outlier IVD (y, x) refere-se a edio da coordenada o. Essa denic o y c encontra-se distante dos outros valores de pontos m edios numa amostra de uma populac a a n ao considera nenhum tipo de intervalos de alavanca.

es de Regress 2.2. Equac o ao


c T r r T ajustada por RLSS com duas equac es Seja zc avel simb olica intervalar e o i = (1, xi ) e zi = (1, xi ) . Uma vari c T c c r r T r r de regress oes independentes que s ao: yi = (zc ) + e y = ( z ) + . i i i i i c c c T um vetor de par onde c = (0 , . . . , p )e ametros desconhecidos dos pontos m edios, c i S (0, , g ) e (zi ) r r um vetor de vari um vetor de (i = 1, . . . , n) e aveis do ponto m edio. Al em disso, r = (0 , . . . , p )e r T um vetor de vari par ametros desconhecido para o intervalo, r aveis i S (0, , g ) e (zi ) (i = 1, . . . , n) e explicativas para o intervalo.

Os vetores de par ametros c e r s ao estimados pelo m etodo de m axima verossimilhanc a supondo es sim distribuic o etricas para os erros nos pontos m edios e para os intervalos. Neste trabalho, assumimos o t-Student para os pontos m o normal para os erros nos pontos m a distribuic a edios e a distribuic a edios e o de limites inferiores e superiores do intervalo ith y intervalos, respectivamente. A predic a i = [ yL (i), y U (i)] e c r o de y baseada na predic a i ey i

o da Rede Norte e Nordeste de Educac o Tecnol IV Congresso de Pesquisa e Inovac a a ogica. Bel em - PA - 2009

2.3. Regras de Previs ao


um Dado um novo objeto e o seu vetor de vari aveis explicativas intervalares x = (x1 , . . . , xp )T , onde cada xj e j j j j c c T r c c T c j ) , . . . , x ) e z = (1 , x , . . . , x ) onde x = ( x + x intervalo x = [xL , xU ]. Considere z = (1, xc p p 1 i j U /2 e L = ( x x ) como valores do ponto m e dio e do tamanho do intervalo x . xr Lj Uj j j zr /2] obtido por: [ O intervalo y = [ yL , y U ] e yL = (zc )T
c r

+ zr /2]. [ yU = (zc )T

o de rede baseado em SSLR 3. Mecanismo de selec a


Para apresentar os benef cios da abordagem de regress ao simb olica apresentada neste artigo, foram realizados experimentos com vari aveis simb olicas do tipo intervalo relacionadas com par ametros de redes. o em curso, mas tamb Em redes 4G, o handover n ao acontece apenas para preservar uma ligac a em para proporcionar melhores servic os e para satisfazer os requisitos espec cos do aplicativo e do usu ario. Neste o de terminais m contexto, poder a ocorrer um handover vertical, sem que haja movimentac a oveis, apenas para o em tempo real iniciada. satisfazer novas exig encias de uma aplicac a A Figura 1 apresenta um cen ario com ambiente heterog eneo composto por um usu ario e diferentes rea: UMTS, WiMAX (802.16) e redes Wi-Fi (802.11). Nesse cen tipos de redes de acesso na mesma a ario, o terminal m ovel tem que escolher a melhor rede, considerando v arios requisitos. Este trabalho prop oe um o de redes baseado nos requisitos observados sob tr modelo de selec a es perspectivas: perl do usu ario, requisitos o, e recursos dispon da aplicac a vel da rede.

Figure 1. Ambiente heterogeneo

Alguns trabalhos t em sido propostos considerando certos par ametros individualmente, tais como o ` interface f consumo de energia associado a sica do dispositivo, a capacidade da rede de servir o usu ario, a o de rede proposto neste seguranc a, a conabilidade da rede, largura de banda alocada, etc. O modelo de selec a trabalho considera tr es par ametros, um para cada perspectiva. Na perspectiva para o usu ario ser a considerado o custo por bit transmitido/recebido, na perspectiva o ser o e da aplicac a a considerada a largura de banda m nima necess aria para atender os requisitos da aplicac a para a perspectiva dos recursos dispon veis na rede ser a utilizado o par ametro RSS. Esses par ametros ser ao o 5 como vari utilizados na equac a aveis explicativas do modelo, e a vari avel resposta ser a a taxa de perda uma das informac es mais importantes para executar uma aplicac o em tempo real. A pacotes (PLR), que e o a rede a ser escolhida ser a a que apresentar a menor taxa de perda de pacotes (PLR) considerando os par ametros o de regress relacionados na tabela 1, obtido atrav es da equac a ao dada por:

P LR = 0 + 1 (RSS ) + 2 (larguradebanda) + 3 (prec o)

(5)

o da Rede Norte e Nordeste de Educac o Tecnol IV Congresso de Pesquisa e Inovac a a ogica. Bel em - PA - 2009

No contexto de redes de servic o, os valores dos par ametros nem sempre est ao dispon veis, seja por o. Nesses casos, apenas intervalos de valores quest oes de seguranc a, seja por diculdades no processo de medic a s ao divulgados. Dessa forma, tais par ametros s ao melhor representados por vari aveis intervalares e, portanto, a an alise de dados simb olicos torna-se mais apropriada. A Tabela 1 apresenta os valores das vari aveis intervalares dos par ametros utilizados no cen ario de o proposto. Na coluna RSS os valores representam as faixas de pot validac a encia m edia do sinal recebido o, os valores representam no deslocamento intra-celular medida em dBm; na coluna Taxa m nima/aplicac a o de aplicac es VoIP medidos em a faixa de valores dos requisitos m nimos necess arios para manutenc a o KB/s; e por m, a coluna Prec o apresenta os valores em centavos (cents) por MB recebidos, medidos no mercado americano. Os valores da Tabela 1 foram extra dos de relat orios t ecnicos de operadoras e de artigos relacionados com redes 4G. Os nomes das operadoras foram omitidos. Table 1. Variaveis intervalares relativas aos parametros de rede nas perspectivas de e recursos de rede usuario, aplicac ao Vari aveis Simb olicas o(KB/s) Prec Operadoras RSS (dBm) Taxa m nima/aplicac a o (cents/MB) Alfa [ -7.00 : -15.00 ] [ 23.30 : 59.10 ] [ 1.40 : 3.50 ] [ -8.00 : -10.00 ] [ 13.00 : 65.00 ] [ 1.60 : 2.50 ] Beta Gama [ -5.00 : -9.00 ] [ 17.00 : 50.00 ] [ 0.90 : 2.00 ] Delta [ -3.00 : -7.00 ] [ 36.00 : 64.00 ] [ 0.60 : 0.80 ] Eps lon [ -9.00 : -15.00 ] [ 18.00 : 54.00 ] [ 1.00 : 2.00 ] Dzeta [ -6.00 : -12.00 ] [ 39.00 : 67.00 ] [ 1.00 : 2.00 ] Eta [ -2.50 : -6.50 ] [ 23.00 : 65.50 ] [ 0.30 : 1.00 ] Teta [ -4.00 : -12.00 ] [ 15.00 : 59.00 ] [ 1.00 : 2.00 ] Iota [ -3.00 : -11.00 ] [ 34.00 : 55.00 ] [ 0.50 : 2.00 ] Capa [ -12.00 : -25.00 ] [ 15.00 : 62.00 ] [ 1.50 : 4.00 ] [ -9.00 : -13.00 ] [ 27.00 : 61.50 ] [ 1.00 : 2.50 ] Lambda Mi [ -6.00 : -39.00 ] [ 17.00 : 66.00 ] [ 2.00 : 3.00 ] Ni [ -5.00 : -14.00 ] [ 26.00 : 52.00 ] [ 1.50 : 3.50 ] Csi [ -5.00 : -13.00 ] [ 23.00 : 62.00 ] [ 1.50 : 3.00 ] Omicron [ -78.00 : -18.00 ] [ 28.00 : 65.00 ] [ 1.00 : 3.00 ] Pi [ -3.00 : -15.00 ] [ 27.00 : 51.00 ] [ 1.00 : 2.50 ] R o [ -3.50 : -15.00 ] [ 34.00 : 68.00 ] [ 1.00 : 3.00 ] Sigma [ -3.00 : -12.00 ] [ 25.00 : 58.00 ] [ 1.00 : 1.50 ] Tau [ -4.00 : -14.00 ] [ 25.00 : 65.00 ] [ 1.00 : 3.00 ] es de pot As medic o encia m edia do sinal recebido podem sofrer fortes inu encias como interfer encias es podem gerar valores at por ru dos, decaimento do sinal por esmaecimento, sombras, etc. Essas medic o picos. o de prec es para agregac o Na relac a o/MB tamb em podem aparecer valores at picos provenientes de promoc o a o do modelo. Por de novos usu arios aos planos das operadoras. Esses valores n ao devem interferir na predic a o t-Student para modelagem dos erros nos pontos m essa raz ao, foi utilizada a distribuic a edios das vari aveis intervalares. O modelo simb olico sim etrico apresentou melhor performance e menor inu encia dos outliers de o. A avaliac o foi realizada atrav o leave-one-out pontos m edio no modelo de predic a a es de m etodo de validac a utilizando o erro m edio quadr atico combinado - P RM SE descrito por:
n i=1

P RM SE l =

v i erroi n

onde,

erroi = [(ly (i) ly (i))2 + (uy (i) u y (i))2 ]

o da Rede Norte e Nordeste de Educac o Tecnol IV Congresso de Pesquisa e Inovac a a ogica. Bel em - PA - 2009

o peso obtido atrav o do modelo simb onde vi e es da aplicac a olico sim etrico sobre os pontos m edios dos intervalos. o dos dados atrav A medida P RM SE utilizada para avaliac a es do m etodo cl assico dos m nimos dado por: quadrados e
n i=1

P RM SE t =

erroi n

Testes de hip otese para dados emparelhados foram realizados ao n vel de signic ancia de 5% e foram aplicados para comparar o desempenho dos m etodos. Em todos os testes o desempenho do m etodo RLSS es teve desempenho superior ao m etodo cl assico dos m nimos quadrados, e em face da presenc a das observac o o as mais discrepantes, o desempenho do m etodo RLSS foi melhor na ordem de 40%. Levando em considerac a l,t m edias dos valores de P RM SE l,t , para os dois m etodos, e considerando as respectivas m edias l,t 1 e 2 . As hip oteses nulas e alternativas foram
l,t H0 : l,t 1 = 2 l,t H1 : l,t 1 < 2

4. Conclus ao
o de redes considerando tr Este trabalho apresentou uma nova abordagem para a predic a es perspectivas o e Rede, baseado na regress Usu ario, Aplicac a ao linear simb olica sim etrica aplicada aos pontos m edios dos par ametros apresentados sob a forma de vari aveis simb olicas intervalares. Al em disso, os valores preditos o com o m sofrem menor inu encia de valores at picos (outliers) em comparac a etodo cl assico dos m nimos o. Essa abordagem utilizou, ainda, m quadrados, normalmente utilizado nos cen arios de predic a ultiplos par ametros, tornando o cen ario mais pr oximo das necessidades das operadores e usu arios em modelos de o de redes heterog o. selecc a eneas de quarta gerac a O modelo proposto foi avaliado atrav es de experimentos utilizando um par ametro por perspectiva, sendo comparado com o m etodo cl assico dos m nimos quadrados atrav es de testes de hip otese para dados emparelhados. Em todos os testes o desempenho do m etodo RLSS teve desempenho superior ao m etodo es mais discrepantes, o desempenho do cl assico dos m nimos quadrados, e em face da presenc a das observac o m etodo RLSS foi melhor na ordem de 40%. o dos modelos RLSS e regress A avaliac a ao cl assica tomou por base o comportamento do erro m edio o leave-one-out aplicads aos par quadr atico combinado usando validac a ametros selecionados. Pretende-se o dos pr o de utilizar outros par ametros na composic a oximos cen arios bem como usar o crit erio de informac a o de vari AKAIKE para selec a aveis para escolha de modelos mais representativos.

o da Rede Norte e Nordeste de Educac o Tecnol IV Congresso de Pesquisa e Inovac a a ogica. Bel em - PA - 2009

Refer encias
Yiping, C. and Yuhang, Y., 2007. A New 4G Architecture Providing Multimode Terminals Always Best Connected Services. In: IEEE Wireless Communications, April 2007, pp. 36-41. Choi, Y. et al., 2007. All-IP 4G Network Architecture for Efcient Mobility and Resource Management. In: IEEE Wireless Communications, April 2007, pp. 42-46. Frattasi, S. et al., 2006. Dening 4G Technology from the User Perspective. In: IEEE Network Magazine2006. Choi, Y. et al., 2008. Cross-Layer Handover Optimization Using Linear Regression Model. In: International Conference on Information Networking, Busan, Korea. Billard, L., Diday, E., 2006. Symbolic Data Analysis: Conceptual Statistics and Data Mining, Wiley, West Sussex, England 2006. Domingues, M. et al., 2008. A symmetrical model applied to interval-valued data containing outliers with heavy-tail distribution. In: 15th International Conference on Neural Information Processing (ICONIP), 2008, Auckland. Montgomery, D.C., Peck, E.A., Vining, G.G., 2006. Introduction to Linear Regression Analysis. Wiley, USA. Fang, K.T., Kotz, S., Ng, K.W., 1990. Symmetric Multivariate and Related Distributions. Chapman and Hall, London. Cysneiros, F.J.A., Paula, G.A., 2005. Restricted methods in symmetrical linear regression models. In Computational Statistics & Data Analysis, v. 49, pp 689-708.