ترجمه مقاله به سوی طبقه بندی داده های اینترنت اشیا از طریق ویژگی های معنایی – سال 2018
مشخصات مقاله:
عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
کلمات کلیدی مقاله:
مناسب برای رشته های دانشگاهی زیر:
مهندسی فناوری اطلاعات
مناسب برای گرایش های دانشگاهی زیر:
اینترنت و شبکه های گسترده
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. سرو کار داشتن با داده های IoT
3. ویژگی های معنایی برای IoT
4. پیش زمینه تحقیق و تحقیق های مرتبط
5. پروفایل های توزیع از خدمات وب عمومی
6. پیاده سازی
7. ارزیابی عملکرد
8.نتیجه گیری
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
The technological world has grown by incorporating billions of small sensing devices, collecting and sharing huge amounts of diversified data. As the number of such devices grows, it becomes increasingly difficult to manage all these new data sources. Currently there is no uniform way to represent, share, and understand IoT data, leading to information silos that hinder the realization of complex IoT/M2M scenarios. IoT/M2M scenarios will only achieve their full potential when the devices work and learn together with minimal human intervention. In this paper we discuss the limitations of current storage and analytical solutions, point the advantages of semantic approaches for context organization and extend our unsupervised model to learn word categories automatically. Our solution was evaluated against Miller–Charles dataset and a IoT semantic dataset extracted from a popular IoT platform, achieving a correlation of 0.63.
چکیده
جهان تکنولوژیک با استفاده ازترکیب میلیاردها دستگاه سنجش کوچک، جمع آوری و به اشتراک گذاری مقادیر زیادی اطلاعات متنوع رشد کرده است. با افزایش تعداد چنین دستگاه ها، به طور فزاینده ای مدیریت تمام این منابع داده جدید دشوار می شود. در حال حاضر هیچ روش یکنواخت برای نشان دادن، به اشتراک گذاری و درک اطلاعات اشیا وجود ندارد و این موضوع منجر به سیلوهای اطلاعاتی می شود که مانع اجرای سناریوهای IoT / M2M پیچیده می شوند. سناریوهای IoT / M2M تنها در زمانی که دستگاه ها کار می کنند و با حداقل مداخله ی انسانی یاد می گیرند به توانایی بالقوه خود دست می یابند. در این مقاله محدودیت های ذخیره سازی فعلی و راه حل های تحلیلی را مورد بحث قرار می دهیم، وهمچنین مزایای رویکرد معناشناسی برای سازمان دهی زمینه و توسعه دادن مدل بدون ناظر برای دسته بندی خودکار کلمات. راه حل ما بر اساس داده های میلر-چارلز و یک مجموعه داده معنایی IoT(اینترنت اشیا) از یک پلاتفرم عمومیIoT به دست آمده و به یک همبستگی 0.63 رسید.
