دانلود ترجمه مقاله یک الگوریتم تشکیل خوشه مبتنی بر تحرک برای شبکه های ادهاک بی سیم سیار – اسپرینگر ۲۰۱۱

مشخصات مقاله انگلیسی (PDF)
سال انتشار مقاله	۲۰۱۱
تعداد صفحات مقاله انگلیسی	۱۴صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر، فناوری اطلاعات و فناوری اطلاعات و ارتباطات
گرایش های مرتبط با این مقاله	مهندسی الگوریتم ها و محاسبات، شبکه های کامپیوتری و مخابرات سیار
مجله مربوطه	محاسبه خوشه ای – Cluster Computing
دانشگاه تهیه کننده	گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، اراک، ایران
کلمات کلیدی این مقاله	یادگیری ماشین، MANET، خوشه بندی شبکه
رفرنس	دارد
شناسه شاپا یا ISSN	ISSN ۱۵۷۳-۷۵۴۳
لینک مقاله در سایت مرجع	لینک این مقاله در سایت Springer
نشریه اسپرینگر

• فهرست مطالب:

خلاصه

۱٫ مقدمه

۲٫ پیش زمینه ها و مقدمات

۲٫۱ کارهای مرتبط

۲٫۲ تئوری ماشین یادگیری

۲٫۳ پویایی نسبی مورد انتظار

۳٫ توضیح الگوریتم خوشه بندی

۳٫۱ خوشه بندی اولیه

۳٫۲ نگهداری خوشه

۳٫۲٫۱ اتصال شبکه

۳٫۲٫۲ ترک کردن شبکه

۴٫ نتایج آزمایشی

۴٫۱ تعداد خوشه ها

۴٫۲ طول عمر خوشه

۴٫۳ نرخ اتصال مجدد

۴٫۴ سرریز پیام کنترل

۵٫ نتیجه

• بخشی از ترجمه:

۵٫ نتیجه

در این مقاله ما یک الگوریتم خوشه بندی برپایه ماشین یادگیری وزن شده برای شبکه های تک کاره موبایل وایرلس پیشنهاد دادیم. در روش پیشنهادشده ما، پویایی نسبی هر میزبان نسبت به تمام همسایگانش بعنوان وزن اش تعریف میشود.در این الگوریتم فرض میشود که مشخصات پویایی میزبان و لذا وزن مرتبط با میزبان متغیرهای تصادفی با پارامترهای توزیع ناشناخته میباشند. لذا وزن موردانتظار (پویایی نسبی) هر میزبان بوسیله نمونه گیری پارامترهای پویایی اش در دوره های مختلف پیش بینی میشود. در این روش پیشنهادی، در هر همسایگی، میزبان با بالاترین وزن موردانتظار بعنوان سر-خوشه انتخاب میشود. این امر پایداری خوشه ها درمقابل پویایی میزبان را تضمین میکند. در این الگوریتم هر میزبان سر-خوشه اش را براساس فقط اطلاعات محلی دریافت شده از میزبانهای همسایه اش انتخاب میکند. برای نشان دادن عملکرد الگوریتم پیشنهادی ما چندین آزمایش شبیه سازی انجام دادیم و نتایج بدست آمده را با روشهای خوشه بندی شناخته شده موجود مقایسه کردیم. نتایج عددی نشان میدهد که الگوریتم پیشنهادی دارای عملکرد بهتری از نظر تعداد خوشه هاف طول عمر خوشه، نرخ اتصال مجدد، و سرریز پیام کنترل نسبت به سایر الگوریتم ها دارد.

• بخشی از مقاله انگلیسی:

۵ Conclusion

In this paper, we proposed a weighted learning automatabased clustering algorithm for wireless mobile ad hoc networks. In our proposed method, the relative mobility of each host with respect to all its neighbors is defined as its weight. In this algorithm, it is assumed that the mobility characteristics of the host and so the weight associated with the host are random variables with unknown distribution parameters. Therefore, the expected weight (relative mobility) of each host is estimated by sampling its mobility parameters in various epochs. In the proposed method, at each neighborhood, the host with the highest expected weight is selected as the cluster-head. This ensures the stability of the clusters against the host mobility. In this algorithm, each host chooses its cluster-head based solely on the local information received from its neighboring hosts. To show the performance of the proposed algorithm, we conducted several simulation experiments and compared the obtained results with the wellknown existing clustering methods. The numerical results show that the proposed algorithm outperforms the others in terms of the number of clusters, cluster lifetime, reaffiliation rate, and control message overhead.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد