گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” مدل سازی پراکنده سیگنال و بازیابی برای WSN ها ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
حسگری، فشرده سازی و بازیابی برای WSN ها: مدل سازی پراکنده سیگنال و چارچوب نظارتی |
| عنوان انگلیسی مقاله: |
Sensing, Compression, and Recovery for WSNs: Sparse Signal Modeling and Monitoring Framework |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2012 |
| تعداد صفحات مقاله انگلیسی | 15 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی فناوری اطلاعات، فناوری اطلاعات و ارتباطات، مهندسی کامپیوتر و برق |
| گرایش های مرتبط با این مقاله | مهندسی کنترل، سامانه های شبکه ای، مخابرات سیار، دیتا، شبکه های کامپیوتری، هوش مصنوعی و شبکه های مخابراتی |
| مجله | تراکنش ها در ارتباطات بی سیم – TRANSACTIONS ON WIRELESS COMMUNICATIONS |
| دانشگاه | موسسه مخابرات و فناوری اطلاعات، دانشگاه کالیفرنیا سن دیگو، کالیفرنیا |
| کلمات کلیدی | شبکه های حسگر بی سیم، حسگر فشرده سازی،جمع آوری اطلاعات، نظارت توزیع شده، برآورد بیزی،تجزیه و تحلیل مولفه اصلی |
| شناسه شاپا یا ISSN | ISSN 1536-1276 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در سایت IEEE |
| نشریه | IEEE |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 45 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه نشده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| 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 |
- فهرست مطالب:
چکیده
1. مقدمه و کار های مربوطه
2. ابزار ریاضی برای بازیابی CS
الف) تحلیل اجزای اصلی
ب) حسگری به صورت فشرده (CS)
ج) CS و PCA مشترک
3. توصیف سیگنال ها و WSN های ملاحظه شده
استفاده از WSN
سیگنال ها
ویژگی های همسبتگی
4. تحلیل پراکندگی اجزای اصلی سیگنال واقعی (REAL SIGNAL PRINCIPAL COMPONENTS)
A. مدل سیگنال پراکنده
B. تحلیل پراکندگی
C. شرایط MAP بیزی و بازیابی CS
5. قالب کاری نظارت تکراری
A. بلوک های منطقی در قالب کاری نظارتی
B. اعتبار سنجی قالب کاری نظارتی
6. مقایسه عملکردی : تکنیک های بازسازی
A. مدل های سیگنال و تکنیک های درون یابی
B. عملکرد روش های بازیابی سیگنال
7. جمع بندی
- بخشی از ترجمه:
7. جمع بندی
در این مقاله ما تاثیر بازیابی داده ها را از طریق حسگری فشرده ی مشترک (CS) و تحلیل اجزای اصلی (PCA) در استقرار های واقعی WSN بررسی کردیم . نخست، ما طرح بازیابی خودمان را در زمینه ی نظریه ی بیزی قالب بندی کردیم که تحت فرضیات مشخص در مورد اطلاعات آماری سیگنال، میتوانیم از CS استفاده کنیم و این موضوع معادل با بیشترین احتمال پسین A (Maximum A Posteriori) از نظر عملکرد بازیابی میباشد. ازین رو، ما یک قالب کاری جدید را با نام SCoRel را برای تخمین صحیح سیگنال های واقعی WSN از طریق جمع آوری کسر کمی از داده های سنسور ها ، پیشنهاد میدهیم. این روش از تکنیک های درون یابی مختلف استفاده میکند که یا به صورت قطعی و یا احتمالی هستند و از یک مکانیزم کنترل نیز استفاده میکند تا به صورت خودکار رفتار بازیابی را نسبت به آمار سیگنال های متغیر با زمان تطبیق دهد، در حالی که خطای بازیابی را نیز محدود میکند. ما به این نکته اشاره میکنیم که این روش برای تغییرات غیر قابل پیش بینی در آمار سیگنال نیز مقاوم است و این موضوع موجب میشود که این روش برای بسیاری از کاربرد هایی که نیازمند تخمین مجموعه داده های بزرگ و توزیع شده با آمار متغیر با زمان هستند، مناسب باشد.
- بخشی از مقاله انگلیسی:
VII. CONCLUSIONS
In this paper we investigated the effectiveness of data recovery through joint Compressive Sensing (CS) and Principal Component Analysis (PCA) in actual WSN deployments. At first, we framed our recovery scheme into the context of Bayesian theory proving that, under certain assumptions on the signal statistics, the use of CS is legitimate, and is in fact equivalent to Maximum A Posteriori in terms of recovery performance. Hence, we proposed a novel framework, called SCoRe1, for the accurate approximation of large real world WSN signals through the collection of a small fraction of data points. SCoRe1 accommodates diverse interpolation techniques, either deterministic or probabilistic, and embeds a control mechanism to automatically adapt the recovery behavior to time varying signal statistics, while bounding the reconstruction error. We remark that our approach is also robust to unpredictable changes in the signal statistics, and this makes it very appealing for a wide range of applications that require the approximation of large and distributed datasets, with time varying statistics.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
فشرده سازی و بازیابی برای شبکه های حسگر بیسیم: مدل سازی و نظارت بر فرآیند تجزیه و تحلیل سیگنال |
| عنوان انگلیسی مقاله: |
Sensing, Compression, and Recovery for WSNs: Sparse Signal Modeling and Monitoring Framework |
|
|