ترجمه مقاله یک روش c-means فازی کارآمد مبتنی بر تجزیه چندگانه استاندارد برای خوشه بندی کلان داده ها در اینترنت اشیا – سال 2018
مشخصات مقاله:
عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
کلمات کلیدی مقاله:
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر – مهندسی فناوری اطلاعات
مناسب برای گرایش های دانشگاهی زیر:
مهندسی الگوریتم ها و محاسبات – مهندسی نرم افزار – رایانش ابری – اینترنت و شبکه های گسترده – شبکه های کامپیوتری
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. معلومات اولیه
3. روش میانگین مرکز فازی کارآمد بر اساس طرح تجزیه چند متغیری کانونیک تانسور
4. آزمایش ها
5. نتیجه گیری
6. سپاسگزاری
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
This is a PDF file of an unedited manuscript that has been accepted for publication. As a service to our customers we are providing this early version of the manuscript. The manuscript will undergo copyediting, typesetting, and review of the resulting proof before it is published in its final form. Please note that during the production process errors may be discovered which could affect the content, and all legal disclaimers that apply to the journal pertain.
چکیده
داده کاوی داده های هوشمند از داده های بزرگ جمع آوری شده از اینترنت اشیا به منظور بهتر کردن زندگی بشر با مجتمع سازی دستگاه های فیزیکی در فضای اطلاعات است. یکی از مهمترین روش های خوشه بندی برای یادگیری داده هوشمند، الگوریتم میانگین مرکز فازی (FCM) است که هر شیء را با محاسبه ماتریس عضویت به چندین گروه اختصاص می دهد. با این حال هر شیء داده بزرگ تعداد زیادی ویژگی دارد که چالش بزرگی برای خوشه بندی زمان واقعی داده بزرگ IoT از طریق FCM را به همراه دارد. در این مقاله یک روش میانگین مرکز فازی کارآمد بر اساس تجزیه چند متغیری استاندارد تانسور را برای خوشه بندی داده های بزرگ در اینترنت اشیا معرفی می کنیم. در طرح ارائه شده، الگوریتم میانگین مرکز فازی معمول توسط تابع دوسویی به الگوریتم میانگین مرکز فازی تانسور مرتبه بالا (HOFCM) تبدیل می شود. به علاوه تجزیه چند متغیری کانونیک تانسور برای کاهش ویژگی های هر شیء به کار می رود تا بازده خوشه بندی بهبود یابد. در آخر آزمایش های زیادی برای مقایسه طرح توسعه داده شده با الگوریتم میانگین مرکز فازی معمول روی دو مجموعه داده بزرگ IoT شامل eWSN و eGSAD نسبت به صحت خوشه بندی و بازده خوشه بندی انجام می شود. نتایج بیان می کنند که طرح توسعه داده شده به طور قابل توجهی، بازده خوشه بندی بالاتری دارد و صحت خوشه بندی آن به میزان کمی کمتر از الگوریتم معمول است که توانایی طرح ارائه شده برای یادگیری داده هوشمند از داده بزرگ IoT را نشان می دهد.
