دانلود ترجمه مقاله c-means فازی کارآمد مبتنی بر تجزیه چندگانه استاندارد برای خوشه بندی کلان داده ها (ساینس دایرکت – الزویر ۲۰۱۸)
این مقاله انگلیسی ISI در نشریه الزویر در سال ۲۰۱۸ منتشر شده که ۱۶ صفحه می باشد، ترجمه فارسی آن نیز ۲۳ صفحه میباشد. کیفیت ترجمه این مقاله عالی بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
یک روش c-means فازی کارآمد مبتنی بر تجزیه چندگانه استاندارد برای خوشه بندی کلان داده ها در اینترنت اشیا |
عنوان انگلیسی مقاله: |
An efficient fuzzy c-means approach based on canonical polyadic decomposition for clustering big data in IoT |
|
مشخصات مقاله انگلیسی | |
نشریه | ساینس دایرکت، الزویر – (Sciencedirect – Elsevier) |
سال انتشار | ۲۰۱۸ |
فرمت مقاله انگلیسی | |
تعداد صفحات مقاله انگلیسی | ۱۶ صفحه |
نوع مقاله | ISI |
نوع نگارش | مقاله پژوهشی (Research Article) |
نوع ارائه مقاله | ژورنال |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر – مهندسی فناوری اطلاعات |
گرایش های مرتبط با این مقاله | مهندسی الگوریتم ها و محاسبات – مهندسی نرم افزار – رایانش ابری – اینترنت و شبکه های گسترده – شبکه های کامپیوتری |
چاپ شده در مجله (ژورنال) | Future Generation Computer Systems |
کلمات کلیدی | داده بزرگ – اینترنت اشیا – داده هوشمند – الگوریتم میانگین مرکز فازی – تجزیه چند متغیری کانونیک |
کلمات کلیدی انگلیسی | Big data – Internet of Things – Smart data – Fuzzy c-means algorithm – Canonical polyadic decomposition |
نمایه (index) | scopus – master journals – JCR |
نویسندگان | Fanyu Bu |
شناسه شاپا یا ISSN | ۰۱۶۷-۷۳۹X |
شناسه دیجیتال – doi | https://doi.org/10.1016/j.future.2018.04.045 |
لینک سایت مرجع | https://www.sciencedirect.com/science/article/abs/pii/S0167739X18306472 |
ایمپکت فاکتور (IF) مجله | ۸٫۸۷۲ در سال ۲۰۲۱ |
شاخص H_index مجله | ۱۳۴ در سال ۲۰۲۲ |
شاخص SJR مجله | ۲٫۲۳۳ در سال ۲۰۲۱ |
شاخص Q یا Quartile (چارک) | Q1 در سال ۲۰۲۱ |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
فرضیه | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | ۱۲۴۸۵ |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | ورد تایپ شده با قابلیت ویرایش و pdf |
وضعیت ترجمه | ترجمه شده و آماده دانلود |
کیفیت ترجمه | عالی (مناسب استفاده دانشگاهی و پژوهشی) |
تعداد صفحات ترجمه | ۲۳ (۱ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه شده است ✓ |
ترجمه متون داخل جداول | 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 | به صورت عدد درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده ۱ مقدمه ۲ معلومات اولیه ۳ روش میانگین مرکز فازی کارآمد بر اساس طرح تجزیه چند متغیری کانونیک تانسور ۴ آزمایش ها ۵ نتیجه گیری ۶ سپاسگزاری منابع |
بخشی از ترجمه |
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.
معلومات اولیه معلومات اولیه شامل روش میانگین مرکز فازی معمول (FCM) و تجزیه چند متغیری کانونیک تانسور هستند که برای طرح معرفی شده در این بخش ارائه می شوند. ابتدا FCM و سپس تجزیه چند متغیری کانونیک تانسور معرفی می شوند.
روش میانگین های مرکز فازی (FCM)
بنابراین هدف روش میانگین مرکز فازی استاندارد محاسبه ماتریس عضویت و محاسبه مراکز خوشه V = |