دانلود ترجمه مقاله به سوی طبقه بندی داده های اینترنت اشیا از طریق ویژگی های معنایی (ساینس دایرکت – الزویر ۲۰۱۸) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)
این مقاله انگلیسی ISI در نشریه الزویر در ۳۴ صفحه در سال ۲۰۱۸ منتشر شده و ترجمه آن ۲۳ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
به سوی طبقه بندی داده های اینترنت اشیا از طریق ویژگی های معنایی |
عنوان انگلیسی مقاله: |
Towards IoT data classification through semantic features |
|
مشخصات مقاله انگلیسی | |
فرمت مقاله انگلیسی | pdf و ورد تایپ شده با قابلیت ویرایش |
سال انتشار | ۲۰۱۸ |
تعداد صفحات مقاله انگلیسی | ۳۴ صفحه با فرمت pdf |
نوع مقاله | ISI |
نوع نگارش | مقاله پژوهشی (Research Article) |
نوع ارائه مقاله | ژورنال |
رشته های مرتبط با این مقاله | مهندسی فناوری اطلاعات |
گرایش های مرتبط با این مقاله | اینترنت و شبکه های گسترده |
چاپ شده در مجله (ژورنال) | Future Generation Computer Systems |
کلمات کلیدی | اینترنت اشیا، M2M، اطلاعات زمینه، شباهت معنایی |
کلمات کلیدی انگلیسی | IoT – M2M – context information – semantic similarity |
نمایه (index) | scopus – master journals – JCR |
نویسندگان | Mário Antunes – Diogo Gomes – Rui L. Aguiar |
شناسه شاپا یا ISSN | ۰۱۶۷-۷۳۹X |
شناسه دیجیتال – doi | https://doi.org/10.1016/j.future.2017.11.045 |
ایمپکت فاکتور(IF) مجله | ۹٫۱۱۰ در سال ۲۰۲۰ |
شاخص H_index مجله | ۱۱۹ در سال ۲۰۲۱ |
شاخص SJR مجله | ۱٫۲۶۲ در سال ۲۰۲۰ |
شاخص Q یا Quartile (چارک) | Q1 در سال ۲۰۲۰ |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
فرضیه | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | ۱۲۳۰۱ |
لینک مقاله در سایت مرجع | لینک این مقاله در سایت Elsevier |
نشریه | الزویر – Elsevier |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | pdf و ورد تایپ شده با قابلیت ویرایش |
وضعیت ترجمه | انجام شده و آماده دانلود |
کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۲۳ (۲ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | به صورت ناقص ترجمه شده است ☓ |
ترجمه متون داخل تصاویر | به صورت ناقص ترجمه شده است ☓ |
ترجمه متون داخل جداول | به صورت ناقص ترجمه شده است ☓ |
ترجمه ضمیمه | ندارد ☓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عکس درج شده است ✓ |
منابع داخل متن | درج نشده است ☓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده ۱٫ مقدمه ۲٫ سرو کار داشتن با داده های IoT ۳٫ ویژگی های معنایی برای IoT ۴٫ پیش زمینه تحقیق و تحقیق های مرتبط ۵٫ پروفایل های توزیع از خدمات وب عمومی ۶٫ پیاده سازی ۷٫ ارزیابی عملکرد ۸٫نتیجه گیری منابع |
بخشی از ترجمه |
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 ۰٫۶۳ رسید.
سرو کار داشتن با داده های IoT
این بینش یکی از محدودیت های تکنولوژی فعلی را در هنگام برخورد با داده های بزرگ غیرسازمان یافته نشان می دهد. پایگاه داده های مرتبط به منظور ارائه اطلاعات صحیح ذخیره شده و بازیابی، به نمایندگی های از پیش تعریف شده و روابط پیشین وابسته است. این مسئله بسیار دشوار برای انجام است برای زمانی که داده ها عمدتا بدون ساختار هستند، همانطور که در مورد داده های IoT ذکر کردیم. پایگاه داده های NoSQL برخی از محدودیت ها را کاهش می دهد و جایگزین خوبی برای حجم کارزیاد و حتی سناریو های کوچکتر IoT می باشند. با این حال، آنها فاقد قابلیت های پرس و جو پیشرفته، محدودیت در کشف اطلاعات و الگوهای پیچیده است.
محدودیت ها صرفا تکنولوژیکی نیستند. حتی اگر ما توانستیم تمام داده های جمع آوری شده توسط دستگاه های IoT را ذخیره و بررسی کنیم، هنوز هم نیاز به روش هایی برای سازماندهی، تجزیه و تحلیل و کشف روابط مرتبط بین منابع داده ها وعمکرد هدف وجود دارد. اکثر ابزارهای تحلیلی بر روابط پیشین یا انسانی برای تجزیه و تحلیل داده ها تکیه می کنند. هر دو رویکرد، برخی از دانش های پنهان را به مدل پایه اعمال می کنند، این نوع مدل طبقه بندی بالا به پایین نامیده می شود. طبقه بندی بالا به پایین، ابعادی را که می تواند تمایز ایجاد کند، محدود می کند، و انتخاب های محلی در برگ ها توسط طبقه بندی جهانی در شاخه ها محدود می شود. بنابراین ذاتا دشوار است که همه چیز را درمکان های سلسه مراتب و دسته بندی که اغلب دشوار هست قرار دهیم. برای روشنسازی این موضوع اجازه دهید چند مثال را توضیح دهیم. اطلاعات جمع آوری شده از یک شتاب سنج در داخل وسیله نقلیه می تواند توسط مقامات شهر برای تشخیص چاله ها و سایر ناهنجاری ها در جاده مورد استفاده قرار گیرد؛ اما همچنین می تواند توسط پلیس برای تشخیص مانور ها و رفتارهای خطرناک استفاده شود که موجب ساخت یک طبقه بندی متعامد میشود. این مثال ها نشان می دهد که چقدر دشوار است که روابط پیشین را در محیط های پیچیده تعریف کرد. |