ویرگول
ورودثبت نام
ای ترجمه
ای ترجمهخدمات ارائه مقالات علمی و سفارش ترجمه تخصصی
ای ترجمه
ای ترجمه
خواندن ۲ دقیقه·۴ سال پیش

طبقه بندی داده های اینترنت اشیا از طریق ویژگی های معنایی (مقاله ترجمه شده)

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.

مقدمه

ظهور اینترنت اشیا (IoT) باعث شد تا تعداد بیشتری از دستگاه ها به قابلیت سنجش و پردازش مجهز شوند. این امر به آنها اجازه می دهد تا با یکدیگر و حتی با خدمات در اینترنت ارتباط برقرار کنند تا یک هدف مشخص را انجام دهند. جزء اصلی این چشم اندازارتباطات، ارتباطات ماشین به ماشین است. M2M به طور کلی به فناوری اطلاعات و ارتباطات می پردازد که قادر به اندازه گیری، تحویل، هضم و واکنش بر اطلاعات خود به طور مستقل است، یعنی با هیچ یا حداقل تعامل انسان.

نتیجه گیری

تعداد دستگاه های IoT در یک مرحله پایدار افزایش می یابد. هر یک از آنها مقادیر عظیمی از داده های متنوع را تولید می کند. با این وجود، هر دستگاه / تولید اطلاعات متنی را با ساختارهای مختلف به اشتراک می گذارد، مانع از تعامل متقابل در سناریوهای IoT و M2M می شود.

در این مقاله محدودیت های ذخیره سازی متداول و ابزارهای تحلیلی را مورد بحث قرار داده ایم و به مزایای مدل زمینه سازمانی پایین تا بالا اشاره کردیم. ما همچنین درباره رویکردهای معنایی که به طور خاص برای سناریوهای IoT / M2M طراحی شده اند، بحث کردیم. مدل معنایی ما برای حمایت از دسته بندی کلمه چندگانه گسترش یافت و یک روش یادگیری بدون ناظر جدید طراحی شد. پروفایل های توزیع شده استخراج شده از سرویس های وب ممکن است شامل ابعاد زیاد و معنا های مختلفی از کلمه مورد نظر (معنای تلفیقی) باشد. این مسائل باعث کاهش دقت و پتانسیل این مدل می شود. روش یادگیری ما این مسائل را از طریق فیلترهای کاهش ابعاد و دسته بندی به حداقل می رساند.

این مقاله ISI در سال 2018 در نشریه الزویر و در مجله نسل آینده سیستم های کامپیوتری، توسط موسسه مخابرات منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله طبقه بندی داده های اینترنت اشیا از طریق ویژگی های معنایی در سایت ای ترجمه مراجعه نمایید.

۰
۰
ای ترجمه
ای ترجمه
خدمات ارائه مقالات علمی و سفارش ترجمه تخصصی
شاید از این پست‌ها خوشتان بیاید